Google представила модель TimesFM-3 на 330 млн параметров, обученную более чем на триллионе реальных и синтетических временных точек. Для тех, кто строит прогнозы спроса, нагрузки, продаж или телеметрии, новость важная: модель TimesFM-3, по данным The New Stack, обходит конкурентов на ключевых бенчмарках, но использовать ее в коммерческом продакшене пока нельзя из-за лицензии на веса.
Речь идет о новом поколении семейства TimesFM, которое Google развивает как foundation model для прогнозирования временных рядов. Если ранние версии были заточены прежде всего под одномерные ряды, то теперь компания сделала ставку на multivariate forecasting, то есть на сценарии, где на прогноз влияют сразу несколько связанных рядов и внешние признаки. Для бизнеса это куда ближе к реальности: продажи мороженого редко живут сами по себе, на них одновременно давят погода, акции, трафик, соседние товарные категории и календарные события.
Именно здесь у TimesFM-3 главная новизна. Google заявляет, что модель изначально предобучена для многомерного прогнозирования в zero-shot-режиме, без дообучения под конкретную задачу. Она умеет одновременно предсказывать несколько связанных рядов, учитывать исторические ковариаты и работать с признаками, которые известны заранее на горизонте прогноза, например с плановыми промо-кампаниями или метеопрогнозом. На практике это означает более реалистичный сценарий использования для ритейла, финансов, промышленности, наблюдаемости и логистики, где «одна колонка в CSV» обычно мало что объясняет.
По бенчмаркам Google картина для конкурентов неприятная. TimesFM-3 заняла первое место на GIFT-Eval, FEV-Bench и TIME Benchmark, то есть на трех заметных наборах тестов для time-series foundation models. The New Stack отдельно обращает внимание на скорость смены лидеров: TimesFM-2.5, которую Google выпустила в сентябре 2025 года и тогда называла state of the art, в новых сравнительных таблицах оказалась уже внизу списка. Это хороший маркер текущего состояния рынка: в forecasting-сегменте отрыв между релизами измеряется уже не годами, а несколькими кварталами.
Контекст тут тоже показательный. За последний год рынок успел получить сразу несколько сильных моделей такого класса: Chronos-2 от Amazon, Moirai 2.0 от Salesforce и Toto 2.0 от Datadog. Все они отражают общий тренд: прогнозирование временных рядов постепенно перестает быть нишей для узких статистических пайплайнов и превращается в еще один фронт большой гонки foundation models. Раньше компании строили или покупали специализированные модели под каждый кейс отдельно. Теперь вендоры продают идею «возьми готовую базовую модель, подай данные и получи приличный baseline без долгой настройки». Для инженеров и продактов это звучит удобно, для исследователей рынка - как начало новой платформенной войны.
С архитектурной точки зрения Google не стала ломать уже знакомую схему. TimesFM-3, как и предшественники, построена как decoder-only transformer, который режет каждый временной ряд на патчи по 32 точки и обрабатывает их примерно так же, как языковые модели работают с токенами. Разница в том, что теперь модель чередует два типа attention-слоев. Первый смотрит назад по времени внутри одного ряда и сохраняет причинность, чтобы модель не подглядывала в будущее. Второй смотрит «вбок», через несколько рядов в один и тот же момент времени, чтобы ловить взаимосвязи между ними. Кроме того, изменилась схема декодирования: вместо пошаговой генерации прогноза кусками модель добавляет маскированные токены на весь горизонт и заполняет их за один проход. Перевод с исследовательского на инженерный простой: меньше задержка и меньше накопление ошибок по мере генерации.
Но в этой истории есть и тот самый неприятный сноской момент, из-за которого новость получила подзаголовок в духе «побеждает всех, но на работе не используйте». Веса TimesFM-3 опубликованы на Hugging Face не под Apache 2.0, как раньше, а под отдельной некоммерческой лицензией. Исходный код проекта при этом остается под Apache, однако предобученные веса разрешено использовать только в некоммерческих и непроизводственных сценариях. Для корпоративной разработки это довольно прямой стоп-сигнал. Можно изучать, тестировать, сравнивать, строить прототипы и, вероятно, показывать руководству красивые графики. Но просто взять модель TimesFM-3 и поставить в коммерческий контур нельзя.
Для рынка это, пожалуй, самая интересная часть релиза. Еще недавно открытая модель в AI-мире означала не только открытый код, но и достаточно свободные веса. Теперь вендоры все чаще сохраняют ключевой коммерческий рычаг именно на уровне весов и доступа к продакшен-использованию. Логика прозрачная: исследования и репутация остаются публичными, а денежный поток смещается в сторону собственных облачных сервисов и управляемых платформ. В случае Google этот разворот особенно заметен, потому что семейство TimesFM уже встроено в ее аналитические продукты для прогнозирования, включая BigQuery ML и Connected Sheets.
Для русскоязычной IT-аудитории вывод без лишней романтики такой. Если вы разработчик, data scientist или руководитель продукта, TimesFM-3 стоит держать в поле зрения как новый ориентир по качеству zero-shot-прогнозирования многомерных рядов. Если вы отвечаете за внедрение в бизнесе, радоваться пока рано: технологическое лидерство здесь уже отделено от права на практическое использование. И это, возможно, главный сюжет 2026 года для прикладного ИИ: открытыми остаются идеи и код, а настоящая ценность все чаще прячется в лицензии на веса. Подробности исходной публикации доступны у .