Berryxia.AI@berryxia · XGoogle Research 于2024年开源时序预测基础模型TimesFM（ICML 2024），采用预训练+零样本预测范式。2025年9月发布的2.5版本参数从500M降至200M，上下文窗口扩展至16K，新增30M分位数预测头，可同时输出点预测及10%-90%置信区间。200M参数单GPU可运行，16K上下文支持五年日数据。模型已内置在BigQuery ML、Google Sheets、Vertex AI中，开源版本通过pip install即可使用。2026年4月通过HuggingFace Transformers和PEFT支持LoRA微调，便于领域适配。
Google Research在2024年悄悄开源了一个时间序列模型。
除了做预测的人，没人注意到。这是一个错误。
这个模型叫TimesFM。 论文发在ICML 2024，标题是"一个用于时间序列预测的解码器架构基础模型"。
核心思路直接借鉴语言模型：先在海量数据上预训练，然后用同一个模型预测任何新序列，不需要重新训练。
过去几十年，时间序列预测一直是一个数据集一套模型的模式。 你收集某个问题的数据，选一个模型架构。 在这个数据上训练，验证。如果问题变了，从头来过。
每个数据集都是一个独立项目。 每个场景都是一条独立流水线。
TimesFM改变了这件事，它在大量跨领域、跨频率的时间序列数据上预训练。 训练完成后，面对任何新的时间序列都能直接预测，零样本预测。
2025年9月，Google发布了2.5版本。
参数从500M降到200M，上下文从2048拉到16K。 加了一个30M的分位数预测头，能同时输出点预测和10%到90%的置信区间。
更小的模型。更长的上下文。 更好的结果。这很少见。
实际影响很具体，200M参数跑一张GPU就行。
16K上下文意味着你可以喂五年日数据，模型能抓住年度季节性。 分位数预测头意味着你不只有一个预测值，还有不确定性范围。
Google内部已经在用了。BigQuery ML里用SQL直接调。Google Sheets的Connected Sheets里内置了。Vertex AI提供了Docker端点。
开源版本免费，两行Python。 加载模型，调用forecast。输入numpy数组，输出预测结果。
2026年4月，Google加了通过HuggingFace Transformers和PEFT用LoRA微调的能力。
这意味着你可以用少量领域数据把预训练模型适配到你的具体场景。
时间序列预测不是一个光鲜的领域。没有病毒式传播的演示。没有十亿美元的消费产品。
但每个管理库存、预测需求、监控设备、交易金融工具的企业都依赖它。
TimesFM把这个行业最好的工具变成了pip install就能用的东西。
地址见评论区👇🏻