TimesFM: Google выложил модель, которая прогнозирует временные ряды без обучения

Google без анонсов и шумихи выложил в открытый доступ TimesFM — модель, которая прогнозирует временные ряды. Продажи, цены, веб-трафик, спрос на электричество, волатильность крипты — всё, что разворачивается во времени.

Что это вообще такое

TimesFM (Time Series Foundation Model) — это та же идея, что и у больших языковых моделей, только вместо текста она «читает» числовые ряды. Внутри decoder-only архитектура, как у GPT, обученная Google Research на огромном массиве временных данных. Эта работа даже попала в статью на ICML 2024.

Главная фишка — прогноз без дообучения (zero-shot). Вы даёте модели историю своих чисел, она продолжает ряд в будущее. Не нужно собирать датасет, размечать его и тренировать что-то под свою задачу: берёте готовую модель и сразу получаете прогноз.

Чем интересна свежая версия

Сейчас актуальна TimesFM 2.5. По сравнению с прошлой она стала легче и умнее одновременно:

• 200 млн параметров вместо 500 млн, то есть меньше и быстрее;
• контекст до 16 тысяч точек вместо 2 тысяч — модель видит куда более длинную историю;
• умеет считать квантили, то есть показывать не одну линию прогноза, а целый коридор вероятностей.

И всё это может работать локально, на вашем железе. Код открыт под лицензией Apache-2.0, ставится одной командой pip install timesfm[torch]. Бесплатно, без облака и подписок.

Где это пригодится

Любая задача, где есть цифры во времени и нужно прикинуть, что будет дальше:

• продажи и спрос — чтобы планировать закупки и склад;
• веб-трафик и нагрузка на серверы — чтобы заранее видеть пики;
• цены, курсы и волатильность — для финансовых моделей;
• энергопотребление и загрузка мощностей — для эксплуатации и ресурсов.

Где это уже живёт

Google не держит модель только на GitHub. TimesFM встроена в BigQuery ML (прогноз прямо в SQL-запросе), в Google Sheets через Connected Sheets и в Vertex Model Garden как готовый эндпоинт. Так что попробовать можно и без терминала.

Для любой задачи, где есть числа во времени и хочется понять, что будет дальше, теперь есть открытый и серьёзный инструмент от Google.

Репозиторий: https://github.com/google-research/timesfm

По теме

• Статья: Minimax M2.7 на Mac Studio: 120 000 токенов контекста и живой код — рассказ Миши
• Блог: Qwen3.6-35B-A3B в опенсорсе — 3 миллиарда активных параметров и кодинг на уровне гигантов
• База знаний: Gemini (Google) — линейка моделей и API

Если у вас в бизнесе есть числовые ряды — продажи, загрузка, спрос — такие модели реально экономят время на прогнозах.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov