谷歌研究院于近日在 Hugging Face 平台发布了 TimesFM 3.0 时序预测基础模型的官方 PyTorch 权重与配置文件，版本号为 0.3B，更新于 8 分钟前。TimesFM（Time Series Foundation Model）是谷歌研究院开发的预训练时序预测基础模型，此次发布使开发者能够直接使用该模型进行时间序列预测任务。

根据仓库信息，TimesFM 3.0 采用堆叠混合 Transformer（Stacked Mixing Transformer）架构，并引入 Variate Attention 与 CPM Iterative RevIN 技术。模型包含 20 层 Transformer，模型维度为 1280，注意力头数为 16。上下文补丁长度为 32，预测补丁长度为 64，输出分位数（中位数位于索引 4）。

在预训练数据方面，TimesFM 3.0 使用 GiftEvalPretrain 数据集进行预训练，并排除了与 fev-bench 重叠的数据集。具体数据包括 Wikimedia Pageviews（截止 2023 年 11 月）和 Google Trends 热门查询（截止 2022 年底），以及合成和增强数据。

模型采用 TimesFM 非商业许可 v1.0 发布，这意味着该模型仅可用于非商业用途。这一许可限制可能影响其在企业级商业应用中的直接采用，但为学术研究和原型开发提供了便利。

TimesFM 系列模型此前已发布多个版本，3.0 版本在架构和预训练策略上进行了升级。时序预测基础模型旨在通过大规模预训练，捕捉时间序列中的通用模式，从而在少量样本或零样本条件下实现对新数据集的预测，减少对大量标注数据的依赖。

此次发布对 AI 产业具有多重意义。对于应用层开发者，TimesFM 3.0 提供了强大的时序预测能力，可用于需求预测、异常检测、资源调度等场景。对于模型层研究者，该模型的开源权重有助于复现实验结果并推动进一步研究。然而，非商业许可可能限制其在商业产品中的直接集成，开发者需关注许可条款或寻求商业授权。

总体而言，谷歌通过开源 TimesFM 3.0 权重，进一步丰富了时序预测领域的开源生态，为 AI 在时间序列分析中的应用提供了新的基础工具。