谷歌悄悄开源预测模型TimesFM，扔数据就能预测未来

销售曲线。市场价格。网页流量。能源需求。加密货币波动。

这些看起来八竿子打不着的东西，有一个共同点：它们都是随时间变化的数据——时间序列。

过去你想预测这些东西，要么找统计学博士写公式，要么花几周时间训练模型。

谷歌 Research 前两天在 GitHub 上发了个东西，叫 TimesFM（Time Series Foundation Model），直接把这个门槛打到了地板上。

目前 GitHub 上已经拿了 21,000+ Star，爆了。

01. 1000 亿时间点训练出来的"时间直觉"

TimesFM 不是那种刚起步的玩具项目。

Google 拿它训练了 1000 亿个真实世界的时间点——主要来自 Google Trends 搜索趋势和 Wikipedia 浏览量数据。

这个规模什么概念？

• 每天记录一次，连续 2.7 亿年的数据量
• 横跨电商、金融、能源、社交网络几乎所有领域
• 能从数据里学到"时间的规律"，而不只是记住特定场景

做完这些后，TimesFM 的模型参数只有 2 亿——连一个 7B 小模型的零头都不到。

参数小，意味着你能跑在普通电脑上。

02. 零样本预测：扔数据就能用

TimesFM 最离谱的能力，叫 zero-shot 预测。

不是你平时见的那种"换个场景要重新 fine-tune"。是直接从 HuggingFace 下载模型，给它你的数据，它就能预测接下来 12 步、24 步、甚至 1000 步的数据走向。

model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
    "google/timesfm-2.5-200m-pytorch"
)
result = model.forecast(horizon=12, inputs=[your_data])

四行代码，搞定。

而且它不只是给出一个"预测值"。新版 2.5 加了一个 分位数预测头（30M 参数）——能告诉你预测区间的 10% 到 90% 置信范围。换句话说，它知道自己的预测有多不确定。

这个能力和 GPT-3.5 驱动的 llmtime 对比，TimesFM 虽然模型小了几个数量级，但在大部分基准测试上的表现 更好。

03. 它跟大语言模型有什么不一样？

这里有个很有意思的设计思路。

LLM 把文字切成 token，TimesFM 把时间序列切成 patch（一块连续的时间点）。输入 32 个时间点，预测 128 个时间点——输出 patch 比输入 patch 大 4 倍。

这跟 LLM 每一步只预测一个 token 完全不同。

Google 的直觉是：时间序列有规律可循，不需要像写文章那样逐字生成。一次看 128 步，更能抓住长期趋势。

这意味着什么？

传统的时间序列模型，每一步预测都会积累误差。输出越长，预测越飘。TimesFM 用"大步子"的方式，从架构层面减少了误差累积。

04. 最新 2.5 版本，降了又升

今年 3 月，TimesFM 更新到 2.5 版本，做了几件大事：

• 参数从 5 亿降到 2 亿 —— 更小了
• 上下文长度从 2048 提升到 16,000 —— 能看更长的历史
• 支持最长 1000 步预测 —— 配合分位数头
• 去掉了 frequency 标记 —— 不需要告诉模型数据是按天还是按月，它自己会判断
• 恢复了协变量支持（XReg） —— 外部因素也能作为输入

6 月又把 PyPI 包更新到了 timesfm=2.0.0，安装更方便了：

pip install timesfm[torch]

完成。

5 月还加了 LoRA 微调教程——虽然零样本已经够强，但如果你有特定业务数据，微调一下还能更好。

而且现在它已经嵌入到 Google BigQuery 和 Google Sheets 里——不懂代码的人，在 Excel 里也能用这个模型做预测。

05. 什么场景最值得用？

聊几个真实的场景：

场景 1：电商卖家 你手上有一年的 GMV 数据，想知道下个月备多少货。以前要用 ARIMA 或 Prophet 调参调半天。现在直接扔给 TimesFM，1 分钟出预测。

场景 2：个人投资者 你关注的加密货币历史价格。虽然不是专业的量化团队，但想看看"接下来可能的方向"。本地跑一个模型，不用联网，不用传数据给别人。

场景 3：自媒体 你正在追一条新闻的"搜索热度走势"。TimesFM 训练数据本身包含大量 Google Trends 数据，对这种场景的预测天然就有优势。

我推荐：如果你的数据量不大（几千条以内）、频次还在每天或每小时，直接上零样本模式，效果已经接近甚至超过传统的 supervised 模型。如果数据量大或者场景特殊，再加 LoRA 微调。

06. 个人观点：Google 的"悄悄放招"策略值得留意

TimesFM 不是 Google 突然发的玩意儿。

2024 年被 ICML 接收，2025 年 9 月推出 2.5，到现在安静地迭代了大半年——没有开发布会、没有 PR 通稿、没有跟风的营销文案。GitHub 就是这样默默地涨到了 2 万星。

这跟 Google 做产品的风格很像：TensorFlow、BERT、T5 都是先在学术圈放出，等社区自己爆炸，再到商业产品里铺开。

现在 TimesFM 已经进了 BigQuery、AlloyDB、Sheets——已经不只是开源玩具了。

但说实话，我觉得 TimesFM 最值钱的地方不是它精度多高，而是它把「预测」这件事平民化了。

一直以来，时间序列预测是统计学和数据科学家的地盘。你要懂 ARIMA、ETS、季节性分解，要调参、要查残差、要做白噪声检验。

TimesFM 告诉你：下载一个模型，输入数据，拿到结果。

对于大部分非核心的预测场景（看个趋势、做个粗略估算），这个精度已经够用。而那些真正需要精度的核心场景（风控、高频交易），本来也不会用通用模型。

能让 80% 的人省下 80% 的时间做预测，就是它最大的价值。

评论区来聊

你觉得时间序列预测"平民化"之后，会催生什么新玩法？

如果你是电商运营/产品经理/数据分析师，你会把 TimesFM 用在什么场景上？

欢迎评论区说说。