Google Research Lança TimesFM-3, mas Seu Melhor Modelo Tem uma Restrição Comercial

O Google Research lançou o TimesFM-3 em 31 de agosto de 2026, adicionando previsão multivariada nativa a uma família de modelos antes limitada a previsões de séries únicas. O modelo de 330 milhões de parâmetros processa mais informações em uma única passagem, incluindo séries relacionadas, sinais históricos e eventos futuros conhecidos.

Essa mudança importa porque previsões reais raramente dependem apenas de um histórico. A demanda no varejo reage a promoções e ao clima. O consumo de energia acompanha a temperatura, os horários e a atividade. Métricas de infraestrutura se movem juntas quando um serviço compartilhado falha.

Segundo o Google, o TimesFM-3 preenche essa lacuna sem exigir ajuste fino específico para cada tarefa. No entanto, o lançamento traz um conflito importante. O código continua aberto sob a licença Apache 2.0, enquanto os novos pesos pré-treinados proíbem o uso comercial e em produção.

O resultado é mais do que outra atualização de modelo. O Google Research produziu uma arquitetura geral de previsão mais robusta, ao mesmo tempo que separou a experimentação pública da implantação sem restrições. Isso pressiona o Chronos-2 da Amazon, a família Toto da Datadog e equipes que mantêm pipelines especializados de previsão.

O Que o Google Research Mudou no TimesFM-3

O TimesFM-3 transforma a família TimesFM de um previsor de série única em um modelo capaz de raciocinar sobre variáveis conectadas.

O Google apresentou o TimesFM original em fevereiro de 2024. Esse modelo usava um transformer somente decodificador, o que significa que previa blocos futuros de séries temporais a partir de blocos anteriores. Seus 200 milhões de parâmetros foram treinados com 100 bilhões de pontos temporais do mundo real.

O modelo original realizava previsão zero-shot, ou seja, fazia previsões em um conjunto de dados inédito sem treinamento específico para esse conjunto. O Google relatou resultados competitivos frente a métodos estatísticos e modelos supervisionados de aprendizado profundo em seu artigo sobre o modelo de previsão.

O TimesFM-2.0 posteriormente aumentou o tamanho do modelo para 500 milhões de parâmetros. O TimesFM-2.5 voltou a 200 milhões, ao mesmo tempo que ampliou o contexto suportado de 2.048 para 16.384 pontos temporais. Ele também adicionou previsões contínuas por quantis para horizontes de até 1.000 etapas.

Ainda assim, esses lançamentos continuavam fundamentalmente univariados. Cada previsão tratava principalmente uma série-alvo como o objeto a ser previsto, mesmo quando regressores externos estavam disponíveis por meio de um mecanismo separado.

O TimesFM-3 muda esse desenho. Seus 330 milhões de parâmetros foram pré-treinados com mais de um trilhão de pontos temporais reais e sintéticos. Esse corpus de treinamento é mais de dez vezes maior que o corpus divulgado para o primeiro modelo.

O modelo aceita diversos tipos distintos de informação. Múltiplos alvos representam séries relacionadas que os usuários desejam prever em conjunto. Covariáveis passadas fornecem variáveis conhecidas apenas durante o período de observação. Covariáveis passadas-futuras incluem valores já conhecidos ao longo do horizonte de previsão.

Um varejista, por exemplo, poderia prever conjuntamente a demanda por sorvete, casquinhas e calda. O fluxo histórico de clientes pode servir como covariável passada. Promoções planejadas e previsões do tempo podem se tornar covariáveis passadas-futuras.

Essa organização permite que o modelo use conexões que a previsão univariada descarta. Um aumento nas vendas se torna mais fácil de interpretar quando o modelo percebe que coincidiu com uma promoção. Mudanças na demanda entre produtos relacionados também podem fornecer evidências sobre comportamentos compartilhados.

O lançamento oficial do TimesFM-3 informa que o modelo oferece suporte a previsões pontuais e por quantis para cada alvo. Uma previsão pontual fornece um único valor esperado. Os quantis descrevem uma faixa de resultados possíveis e sua incerteza.

O TimesFM-3 produz nove quantis, abrangendo do 10º ao 90º percentil. Isso importa para decisões em que uma única previsão é insuficiente. Equipes de estoque precisam compreender os riscos de falta e excesso de inventário, não apenas a demanda esperada.

O Google também afirma que o modelo funciona em modo univariado. Assim, desenvolvedores podem testar o novo checkpoint em cargas de trabalho existentes de série única antes de construir um pipeline completo de dados multivariados.

O lançamento já está disponível por meio do repositório público do Google Research e de um checkpoint no Hugging Face. O Google afirma que a integração com o BigQuery chegará nas próximas semanas, tornando 31 de agosto a data de evento verificada por trás da renovada visibilidade do repositório.

A tendência no GitHub está, portanto, ligada a um lançamento atual, e não a uma redescoberta do projeto de 2024. O TimesFM-3 é o modelo mais recente do repositório, e a nova arquitetura multivariada é o evento que impulsiona a atenção.

Por Que a Previsão Multivariada Muda as Apostas Competitivas

A mudança importante não é simplesmente uma precisão maior. O TimesFM-3 mira as relações complexas que determinam se a previsão funciona em produção.

A maioria das previsões operacionais está inserida em sistemas conectados. Um armazém não enfrenta a demanda de forma independente de preços, promoções, clima, feriados e estoque próximo. Um data center não gera sinais isolados de CPU, memória, tráfego e latência.

Modelos univariados simplificam essas relações. Eles podem detectar sazonalidade, tendências e padrões recorrentes no histórico de um único alvo. Contudo, não conseguem interpretar diretamente uma promoção programada, a menos que essa informação entre por outro mecanismo.

A previsão multivariada trata várias séries em conjunto. Ela pode modelar como uma variável se move com outra e como sinais externos alteram o alvo. Essa abordagem é especialmente útil quando essas relações se repetem no contexto histórico.

O exemplo ilustrativo de varejo do Google mostra o motivo. Uma previsão univariada estende o padrão histórico de vendas semanais. Ela não consegue antecipar dias de promoção porque a programação não aparece nos valores passados do alvo.

O TimesFM-3 recebe essa programação como uma covariável futura conhecida. O modelo então associa promoções históricas a mudanças nas vendas e aplica essa relação às datas planejadas. O exemplo do Google mostra um aumento antecipado de vendas de cerca de 20 por cento em cada dia de promoção.

Esse número é ilustrativo, não uma evidência de que o modelo produzirá a mesma previsão de aumento em todos os varejistas. Os efeitos das promoções dependem de preços, produtos, clientes, momento e qualidade dos dados. Em vez disso, o exemplo demonstra como informações futuras entram na previsão.

Essa capacidade exerce pressão direta sobre outros modelos fundacionais de séries temporais. A família Chronos da Amazon ajudou a estabelecer o pré-treinamento no estilo de modelos de linguagem como uma abordagem viável para previsão. O Chronos-2 posteriormente ampliou a competição para tarefas multivariadas e conscientes de covariáveis.

A família Toto da Datadog também busca previsões de propósito geral, incluindo cargas de trabalho multivariadas. A família Moirai da Salesforce e os Tiny Time Mixers da IBM representam outras tentativas de substituir modelos separados e específicos para cada tarefa por sistemas pré-treinados reutilizáveis.

A disputa é cada vez mais sobre o escopo de implantação. Um modelo fundacional que funciona apenas em benchmarks públicos limpos oferece valor limitado a uma equipe de operações. O sistema vencedor precisa lidar com contexto empresarial irregular, incerteza, relações em mudança e custos aceitáveis de inferência.

O TimesFM-3 dá ao Google uma resposta crível a rivais que já avançaram além da previsão univariada. Ele também conecta a pesquisa a um canal de distribuição existente. Recursos anteriores do TimesFM chegaram aos ambientes BigQuery, AlloyDB, Google Sheets e Vertex AI.

O Google relatou que o TimesFM já atendia centenas de milhões de consultas mensais por meio do BigQuery e do AlloyDB durante 2025. Esse número se refere a versões anteriores do modelo, não ao TimesFM-3, mas mostra uma rota estabelecida da pesquisa ao uso regular.

A distribuição pode importar tanto quanto a posição em benchmarks. Um modelo de previsão dentro de um armazém de dados permite que analistas trabalhem perto de dados empresariais governados. Isso evita que cada equipe precise montar um serviço de inferência separado antes de testar uma previsão.

A pressão também recai sobre pipelines especializados de previsão. Muitas organizações ainda treinam modelos diferentes para produtos, regiões ou métricas distintas. Cada modelo exige engenharia de atributos, validação, monitoramento e manutenção repetida.

Um generalista zero-shot muda o ponto de partida. As equipes podem avaliar um modelo em muitas séries antes de decidir onde o treinamento especializado continua valendo a pena. Isso não elimina modelos personalizados, mas eleva o padrão que eles precisam superar.

É também por isso que a expressão “sem ajuste fino” exige interpretação cuidadosa. Os usuários ainda precisam selecionar alvos, preparar covariáveis, evitar vazamento de dados, escolher horizontes de previsão e avaliar custos de negócio. O modelo elimina uma etapa de treinamento, não a disciplina de previsão ao redor dela.

Um Modelo de Passagem Única Reescreve o Mecanismo de Previsão

O TimesFM-3 combina atenção entre séries com decodificação em passagem única, atacando tanto o contexto ausente quanto o acúmulo de erros.

Como as versões anteriores do TimesFM, o modelo agrupa observações adjacentes em blocos de 32 etapas temporais. Um bloco funciona como um token em um modelo de linguagem, comprimindo diversos valores contínuos em uma representação interna.

O uso de blocos reduz o comprimento da sequência e torna históricos longos mais fáceis de processar. Também permite que o transformer opere sobre padrões locais recorrentes, em vez de tratar cada medição como um item sem relação com os demais.

O TimesFM-3 organiza esses tokens em duas dimensões. Uma dimensão representa o tempo. A outra representa as diferentes séries de alvos e covariáveis incluídas na solicitação.

O transformer alterna entre duas operações de atenção. A atenção temporal causal examina blocos anteriores dentro de uma série. “Causal” significa que o modelo não pode inspecionar valores-alvo futuros desconhecidos ao formar uma previsão.

A atenção completa entre variáveis opera entre séries na mesma posição temporal. Ela permite que um alvo extraia informações de outros alvos e covariáveis. É assim que uma programação de promoções pode influenciar a previsão de vendas associada.

Covariáveis passadas-futuras recebem um tratamento especial de antecipação. Cada token combina seu bloco atual com blocos futuros que contêm informações já conhecidas. Assim, o modelo pode ver eventos programados sem receber resultados-alvo futuros.

Essa distinção é essencial. Um calendário futuro de feriados é uma entrada válida porque as datas já são conhecidas. As vendas reais de amanhã não são uma entrada válida porque revelá-las vazaria a resposta.

O Google Research também mudou o processo de decodificação. Modelos TimesFM mais antigos geravam blocos de previsão sequencialmente. Cada bloco previsto se tornava contexto para produzir o bloco seguinte.

A geração sequencial tem duas fraquezas. Ela aumenta a latência porque cada etapa espera a etapa anterior. Também permite que um erro de previsão inicial influencie todos os blocos posteriores.

Em vez disso, o TimesFM-3 usa mascaramento de blocos contíguos. O sistema adiciona marcadores mascarados que cobrem todo o horizonte de previsão e, em seguida, prevê essas posições durante uma única passagem direta.

As covariáveis futuras conhecidas permanecem visíveis, enquanto os valores-alvo continuam mascarados. A atenção temporal e entre variáveis alternada processa o contexto combinado. O modelo preenche o horizonte de previsão sem um ciclo iterativo de geração.

Esse desenho não autorregressivo, isto é, que não produz o horizonte uma parte de cada vez, é central para a alegação de desempenho do Google. Horizontes mais longos já não exigem proporcionalmente mais rodadas de decodificação.

O mecanismo também muda o que os usuários devem medir. A latência bruta do modelo se torna importante, mas o mesmo vale para o uso de memória e a escalabilidade entre muitas variáveis. A previsão conjunta pode incluir mais séries em cada solicitação, aumentando a quantidade de computação de atenção.

O repositório público do TimesFM inclui exemplos para entradas univariadas de comprimento variável e matrizes multivariadas. Ele também mostra entradas separadas para covariáveis apenas do passado e covariáveis conhecidas no passado e no futuro.

Esses exemplos expõem uma exigência prática. Os usuários precisam alinhar cada alvo e covariável a uma linha do tempo consistente. Observações ausentes, relatórios atrasados e frequências incompatíveis podem comprometer o resultado antes mesmo do início da inferência.

Considere uma carga de trabalho de observabilidade. A utilização de CPU pode chegar a cada minuto, os dados de faturamento a cada hora e os marcadores de implantação apenas quando ocorrem lançamentos. Combiná-los exige decisões sobre reamostragem e valores ausentes.

Casos de uso em saúde e finanças adicionam restrições mais rígidas. As equipes precisam determinar se uma variável externa realmente estaria disponível no momento da previsão. Caso contrário, um benchmark pode parecer preciso porque usou acidentalmente informações futuras.

Explicar o TimesFM apenas como um transformer maior deixa de lado o ponto central. Seu tamanho cresceu modestamente em relação ao TimesFM-2.5, enquanto o corpus de pré-treinamento se expandiu para mais de um trilhão de pontos. A mudança mais profunda está em como a arquitetura representa relacionamentos e produz o horizonte.

Esse design torna o modelo Google TimesFM mais relevante para o planejamento operacional. Também torna a avaliação mais difícil. O sucesso agora depende de os relacionamentos fornecidos serem reais, estáveis, devidamente temporizados e úteis para a decisão.

Os Benchmarks Não Resolvem a Questão da Produção

O Google relata resultados de primeiro lugar em três benchmarks públicos, mas o licenciamento e a validação independente limitam o que os adotantes podem concluir hoje.

O Google avaliou o TimesFM-3 no GIFT-Eval, FEV-Bench e TIME. Essas suítes abrangem diferentes conjuntos de dados, tarefas de previsão, horizontes e configurações de avaliação.

A empresa relata que o TimesFM-3 ficou em primeiro lugar entre os modelos fundamentais pré-treinados tanto para previsões pontuais quanto probabilísticas. Também afirma que o modelo liderou o FEV-Bench em 100 tarefas do mundo real e o benchmark TIME em 98 tarefas de 50 domínios.

O GIFT-Eval oferece outro teste amplo de previsão zero-shot. O Google afirma que o TimesFM-3 ficou em primeiro lugar entre os modelos fundamentais incluídos nessa comparação.

Segundo os relatos, o modelo permaneceu competitivo no modo univariado, no qual não podia explorar covariáveis nem informações entre séries. Habilitar o modo multivariado completo melhorou ainda mais sua classificação média.

Esses são sinais significativos porque testam se um único modelo pré-treinado pode ser transferido entre conjuntos de dados variados. Eles também comparam o TimesFM-3 a sistemas recentes, incluindo Chronos-2, Toto 2.0 e TimesFM-2.5.

No entanto, a classificação média comprime muitos resultados em um único número. Ela não revela se o modelo vence nas séries, nos horizontes e nos custos de erro relevantes para uma organização específica.

Um planejador de supermercado pode se importar mais com erros antes dos picos de feriados. Um engenheiro de capacidade pode se preocupar com a perda de eventos extremos de tráfego. Uma equipe financeira pode valorizar incerteza calibrada mais do que uma pequena melhoria média.

Benchmarks públicos também podem diferir dos dados de produção. Séries empresariais contêm rupturas de estoque, mudanças de política, lacunas de relatórios, lançamentos de produtos e choques pontuais. Relacionamentos aprendidos com o histórico podem falhar quando essas condições mudam.

O ângulo cético mais forte diz respeito ao acesso. O código-fonte do repositório usa uma licença Apache 2.0, e os pesos do modelo até o TimesFM-2.5 mantêm essa licença. Os pesos do TimesFM-3 usam uma licença não comercial separada.

Essa licença restringe os pesos pré-treinados padrão do TimesFM-3 a usos não comerciais e não produtivos. Uma empresa pode estudar a arquitetura e executar experimentos permitidos, mas não pode presumir que o checkpoint baixado possa ser implantado em um fluxo de trabalho que gera receita.

Isso cria uma lacuna clara entre disponibilidade técnica e disponibilidade operacional. O modelo é público, mas seu caminho de produção mais imediato continua sob controle do Google.

O repositório também alerta que sua versão aberta não é um produto do Google oficialmente suportado. Portanto, desenvolvedores devem distinguir código acessível à comunidade de um serviço com compromissos de suporte empresarial.

A integração com o BigQuery pode resolver parte da questão de implantação. O Google afirma que essa integração chegará nas semanas seguintes ao lançamento. Seus termos, disponibilidade geográfica, cotas, entradas compatíveis e comportamento em produção serão importantes.

O suporte anterior ao TimesFM já existe por meio da função AI.FORECAST do BigQuery. Essa interface reduz a barreira para usuários de SQL, mas o suporte ao TimesFM-3 precisa ser verificado após sua disponibilização.

O lançamento também não conta com o tipo de evidência independente em produção que se acumula ao longo do tempo. Usuários públicos tiveram apenas alguns dias para testar o comportamento multivariado, os requisitos de memória, os modos de falha e a sensibilidade às escolhas de covariáveis.

Até mesmo o número de um trilhão de pontos de treinamento divulgado pelo Google deixa questões em aberto. O lançamento descreve uma mistura de séries temporais reais e sintéticas, mas não fornece um inventário completo do corpus. Os usuários não conseguem avaliar plenamente a cobertura de domínios apenas pela escala.

O modelo inicial usou dados do Google Trends e de visualizações de páginas da Wikipedia entre suas fontes públicas. Esses conjuntos de dados contêm padrões temporais úteis, mas não se pode presumir a semelhança entre esses padrões e as operações internas de uma empresa.

As previsões por quantis também exigem validação. Produzir nove estimativas de incerteza não garante que seus intervalos estejam calibrados em um novo domínio. As equipes devem verificar com que frequência os resultados reais ficam dentro de cada faixa prevista.

Portanto, o teste prático é comparativo. As organizações devem avaliar o TimesFM-3 em comparação com TimesFM-2.5, Chronos-2, Toto, referências estatísticas e seus modelos atuais de produção, usando as mesmas divisões baseadas no tempo.

Elas também devem pontuar as decisões geradas por cada previsão. Um pequeno ganho estatístico pode ter pouco valor se a inferência for mais difícil, as covariáveis forem pouco confiáveis ou o licenciamento bloquear a implantação.

Os benchmarks do Google apoiam uma avaliação séria. Eles não justificam substituir um sistema de produção sem testes locais, salvaguardas operacionais e direitos de uso claros.

O Que Observar Após o Lançamento do Google Research

Três sinais determinarão se o TimesFM-3 se tornará uma camada de previsão amplamente usada ou permanecerá como um checkpoint de pesquisa influente.

O primeiro sinal é a prometida integração com o BigQuery. A disponibilidade via SQL daria aos analistas uma rota direta para previsões multivariadas perto dos dados existentes no warehouse.

Os detalhes de implementação revelarão quanto do TimesFM-3 chegará aos usuários gerenciados. Os compradores devem observar suporte para múltiplos alvos, covariáveis históricas, covariáveis futuras conhecidas, saída por quantis e horizontes de previsão realistas.

Os termos de preço também importam, embora a avaliação inicial deva se concentrar na adequação à carga de trabalho, e não no custo anunciado. Latência, cotas, disponibilidade regional e controles de governança de dados determinarão se as equipes poderão usar o serviço repetidamente.

Um amplo suporte no BigQuery fortaleceria a posição do Google porque transformaria um lançamento de pesquisa em infraestrutura acessível. Uma integração atrasada ou limitada preservaria uma oportunidade para rivais e fornecedores independentes de previsão.

O segundo sinal é a reprodução independente dos benchmarks. Pesquisadores e profissionais precisam confirmar a classificação relatada com conjuntos de dados fixos, regras de avaliação idênticas e condições computacionais comparáveis.

Atenção especial deve ser dada a tarefas multivariadas em que covariáveis futuras úteis estejam disponíveis. Esses casos testam a alegação central do TimesFM-3, e não seu desempenho univariado compatível com versões anteriores.

Os avaliadores também devem publicar resultados por tarefa, e não apenas classificações médias. Esse detalhe mostrará onde o TimesFM-3 enfrenta dificuldades e se seus ganhos se concentram em domínios ou horizontes específicos.

Testes que envolvam valores ausentes, mudanças de regime, covariáveis ruidosas e grandes números de séries relacionadas ofereceriam maior relevância para a produção. Eles poderiam enfraquecer o argumento do Google se o desempenho depender de entradas excepcionalmente limpas.

O terceiro sinal é o status comercial dos pesos pré-treinados. Uma licença mais ampla permitiria que mais organizações implantassem o checkpoint em sua própria infraestrutura. Restrições contínuas direcionariam a adoção comercial para serviços gerenciados do Google.

Essa escolha afeta o mapa competitivo. Chronos-2, Toto, Moirai e modelos menores de previsão podem ganhar espaço quando seus termos de acesso se alinham melhor aos requisitos de implantação privada.

Os desenvolvedores devem examinar a licença do modelo antes de criar um produto em torno do checkpoint. A disponibilidade pública não substitui suas restrições declaradas.

As equipes ainda podem usar o lançamento para fazer perguntas técnicas melhores. Informações entre séries melhoram a precisão após controles rigorosos contra vazamento? Eventos futuros conhecidos produzem mudanças sensatas? As previsões por quantis são calibradas durante períodos incomuns?

Uma avaliação útil deve preservar uma separação de validação baseada no tempo, comparar referências simples e calcular custos específicos de decisão. As equipes devem documentar quais covariáveis eram realmente conhecidas em cada ponto histórico de previsão.

Elas também devem manter o modelo confiável mais simples. Se uma referência sazonal apresentar desempenho semelhante, o modelo fundamental adiciona complexidade sem benefício suficiente. Se o TimesFM-3 vencer de forma consistente, ele fornece evidências para um fluxo de trabalho de previsão diferente.

O Google Research defendeu que modelos gerais de previsão devem compreender variáveis conectadas e gerar horizontes completos com eficiência. Ainda não resolveu quão abertamente seus pesos mais fortes chegarão à produção.

Os próximos meses mostrarão se disponibilidade gerenciada, resultados independentes e licenciamento convergem. Até lá, o TimesFM-3 deve ser tratado como um lançamento arquitetural significativo e um candidato de implantação cuidadosamente delimitado.

Para desenvolvedores e equipes de dados, a ação imediata é direta: escolha um problema consequente de previsão, crie uma avaliação segura contra vazamento e teste o modelo contra o sistema que já toma decisões. O TimesFM-3 melhora o resultado que sua organização realmente valoriza?