TimesFM(時系列基礎モデル)は、事前学習済みの時系列基礎です Google Researchが時系列予測用に開発したモデルです。

• 論文: 時系列予測のためのデコーダのみの基礎モデル、 ICML 2024。
• 🆕 TimesFM 3.0 チェックポイント: google/timesfm-3.0-pytorch。チェックポイントは最大2.5: TimesFM ハギングフェイスコレクション。
• Google Reseachのブログ記事:
• TimesFM-3:多変量予測のためのゼロショット基礎モデル
• 時系列予測のためのデコーダのみの基礎モデル
• Google 1P製品におけるTimesFM:
• BigQuery ML: スケーラビリティと信頼性のためのエンタープライズレベルのSQLクエリ。
• Googleスプレッドシート: 日々のスプレッドシート用に。
• 頂点モデル庭園: エージェント呼び出しのためのDocker化されたエンドポイント。

このオープンバージョンは公式にサポートされているGoogle製品ではありません。

最新モデルバージョン: TimesFM 3.0 ✨

アーカイブされたモデルバージョン:

• 2.5:src/timesfmに関連するコード。
• 1.0および2.0:関連コードはサブディレクトリv1にアーカイブされています。「pip(ピップ)」があります。 install timesfm==1.3.0’ このパッケージの古いバージョンをインストールして読み込みます 彼らを。

---

更新 — 2026年9月

タイムズFM 3。

TimesFM

TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.

• Paper: A decoder-only foundation model for time-series forecasting, ICML 2024.
• 🆕 TimesFM 3.0 Checkpoint: google/timesfm-3.0-pytorch. Checkpoints up to 2.5: TimesFM Hugging Face Collection.
• Google Reseach blog posts:
  • TimesFM-3: A zero-shot foundation model for multivariate forecasting
  • A decoder-only foundation model for time-series forecasting
• TimesFM in Google 1P Products:
  • BigQuery ML: Enterprise level SQL queries for scalability and reliability.
  • Google Sheets: For your daily spreadsheet.
  • Vertex Model Garden: Dockerized endpoint for agentic calling.

This open version is not an officially supported Google product.

Latest Model Version: TimesFM 3.0 ✨

Archived Model Versions:

• 2.5: relevant code under src/timesfm.
• 1.0 and 2.0: relevant code archived in the subdirectory v1. You can pip install timesfm==1.3.0 to install an older version of this package to load them.

---

Update — September 2026

TimesFM 3.0 finishes rollout in Google Cloud BigQuery ML, supporting commercial and production uses (see clarified license notice).

Update — August 2026

TimesFM 3.0 is out!

TimesFM 3.0 introduces native multivariate time-series forecasting, flexible covariate support (both past-only and past-and-future covariates), superior zero-shot generalist capabilities, and top performance across all three major time-series foundation model benchmarks.

Key Highlights:

• Native Multivariate & Univariate Forecasting with Covariates: Seamlessly forecast multi-channel multivariate series as well as individual univariate series, with native support for past-only and past-and-future dynamic covariates without per-task tuning.
• Top Benchmark Performance:
  • 🥇 fev-bench: Rank #1 overall across 100 diverse real-world forecasting tasks.