Google TimesFM-3: нейросеть предсказывает продажи по скидкам и погоде

Прогнозирование - одна из тех задач, где разрыв между лабораторным результатом и реальной пользой всегда был огромным. Модели обучались на одном ряду данных, а бизнес живет в мире, где продажи мороженого зависят от погоды, акций конкурентов, трафика в магазине и десятка других факторов одновременно. Google Research закрывает этот разрыв с выходом TimesFM-3.
Что изменилось по сравнению с предыдущими версиями
До этого релиза вся линейка TimesFM работала строго в одномерном режиме: модель смотрела на один временной ряд и предсказывала его продолжение. TimesFM-2.5, вышедший в сентябре 2025 года, имел 200 млн параметров и поддерживал контекст до 16 тысяч шагов - это был хороший инструмент, но с фундаментальным ограничением.
TimesFM-3 - это 330 млн параметров и принципиально другая архитектура. Модель обучена на корпусе из более триллиона точек реальных и синтетических временных рядов и работает в zero-shot режиме без дообучения под конкретную задачу.
Архитектура строится на декодер-трансформере, но добавляет двухмерный механизм внимания. По оси времени - причинное (causal) внимание, которое смотрит только назад, чтобы не допустить утечки будущего. По оси переменных - полное внимание между всеми рядами в одной точке времени. Эти два механизма чередуются послойно, и модель одновременно улавливает паттерны внутри ряда и зависимости между рядами. Данные группируются в патчи по 32 последовательных точки, что дает эффективное сжатие без потери структуры.
Три типа входных данных
Главное практическое отличие - поддержка трех категорий входных переменных.
Первая: несколько целевых рядов одновременно. Например, продажи разных брендов мороженого прогнозируются совместно, и модель учитывает, как спрос на один продукт влияет на другой.
Вторая: ковариаты прошлого. Исторический трафик в магазине, данные о погоде за прошлые периоды - все, что известно только ретроспективно.
Третья: ковариаты, известные наперед. Расписание акций, запланированные праздники, прогноз погоды на следующую неделю. Для таких данных модель использует стратегию "заглядывания вперед" - токен текущего патча конкатенируется с будущими патчами этой переменной.
Вместо одной точечной оценки модель выдает девять значений на каждый шаг - квантильные прогнозы, которые дают диапазон и меру неопределенности предсказания.
Как работает нелинейный прогноз на примере
Google иллюстрирует разницу через задачу прогноза продаж мороженого. Модель без данных об акциях просто экстраполирует привычный недельный паттерн. Когда TimesFM-3 получает расписание скидок, она обращается к историческим данным о том, как прошлые акции влияли на спрос, и закладывает в прогноз примерно 20% прироста продаж в дни промо-активности. Разница наглядная: красная линия (без акций) идет ровно, синяя (с данными об акциях) показывает всплески в нужные дни.
Предыдущие версии строили прогноз шаг за шагом - каждый следующий блок опирался на предыдущий, ошибки накапливались, а вычислительная нагрузка росла. TimesFM-3 сразу помечает все будущие точки как пропуски и заполняет их за один проход. Это быстрее и точнее.
Бенчмарки: первое место на всех трех
Исследователи проверили модель на трех стандартных тестах для прогнозных моделей.
На Gift-Eval TimesFM-3 занял первое место среди всех предобученных моделей - с заметным отрывом даже в одномерном режиме. На FEV-Bench (100 разнородных реальных задач) снова первое место; Amazon Chronos-2 близко подбирается в одномерном режиме, но в полном мультивариантном режиме отстает. На TIME Benchmark (50 доменов, 98 задач оценки) - опять первое место, следом идет семейство Toto-2.0. TimesFM-2.5 на этом фоне заметно проигрывает.
Честный вывод из этих цифр: в одномерном режиме разрыв между моделями небольшой. Настоящий отрыв появляется именно тогда, когда подключаются дополнительные переменные - то, чего конкуренты пока не поддерживают на уровне нативной архитектуры.
Где получить и как использовать
Модель уже доступна на GitHub (репозиторий google-research/timesfm) и Hugging Face (чекпоинт google/timesfm-3.0-pytorch). Установка через pip: `pip install timesfm[torch]` или `pip install timesfm[mlx]` для нативного инференса на Apple Silicon.
Здесь есть важная оговорка, которую легко пропустить. Исходный код распространяется под лицензией Apache-2.0, как и веса версий до 2.5. Но веса TimesFM-3.0 вышли под отдельной лицензией timesfm-non-commercial-license-v1.0 - коммерческое и производственное использование дефолтных весов запрещено. Для бизнеса Google анонсировала добавление TimesFM-3 в BigQuery ML в ближайшие недели - тогда функционал станет доступен через SQL-запросы в масштабе предприятия.
Для российских пользователей: BigQuery доступен через Google Cloud, который формально работает в РФ, но с известными ограничениями по оплате и санкционными рисками. Прямой доступ к Hugging Face и GitHub из России работает без VPN, установить пакет и запустить модель локально - технически без проблем, если задача некоммерческая.
Что это меняет на практике
TimesFM с момента первой версии в 2024 году используют в рознице, финансах, производстве, здравоохранении и науках о природе. Третья версия делает модель пригодной для задач, которые раньше требовали либо сложной кастомной инженерии, либо дообучения специализированных архитектур.
Для аналитиков и дата-инженеров это означает: можно взять предобученную модель, скормить ей несколько связанных рядов плюс известные будущие события - и получить калиброванный прогноз с диапазоном неопределенности без единой строчки кода обучения. Это реально меняет порог входа.
Google планирует добавить TimesFM-3 в BigQuery - и тогда весь этот функционал станет доступен через SQL-запросы в масштабе предприятия. Для компаний, уже работающих в экосистеме Google Cloud, это может оказаться аргументом посильнее бенчмарковых таблиц.
Информация взята из официального блога Google Research и репозитория проекта.
Похожие новости
OpenAI выпустила GPT-6.2 Astra и Sol: входные и выходные токены Astra в API на 20% дешевле, чем у GPT-6 Astra
OpenAI представила две модели: флагманскую GPT-6.2 Astra и экономичную GPT-6.2 Sol. Они доступны в ChatGPT Work, Codex и API и тратят меньше выходных токенов. В API Astra дешевле GPT-6 Astra: входные и выходные токены на 20% ниже, на кэшированные входные скидка 60%.
OpenAI показала агентов GPT-6 для клиник: Luna выполняет задачу за 8,5 цента
OpenAI предложила больницам и страховщикам GPT-6 Astra и Luna: агенты сами кликают по программам клиник и порталам страховых. Среди партнеров компании - CVS Health и Cigna Healthcare.
NVIDIA Vera Rubin NVL72 в MLPerf Endpoints: более 10x токенов на киловатт к GB300
В предварительных результатах MLPerf Endpoints v1.0 система Vera Rubin NVL72 выдала более чем в 10 раз больше токенов на киловатт, чем GB300 NVL72. Результаты еще не верифицированы MLCommons.