TimesFM 3.0: o modelo de previsão de séries temporais do Google acaba de receber uma grande atualização

A previsão de séries temporais é uma daquelas tarefas que, silenciosamente, alimenta muitas decisões, desde o planejamento de estoque até a previsão de carga de energia e o risco financeiro. Mas construir modelos de previsão precisos do zero é notoriamente difícil. E se você pudesse simplesmente baixar um modelo pré-treinado que funciona de imediato, da mesma forma que você usaria GPT para texto? É exatamente essa a ideia por trás do TimesFM do Google Research.

O que é TimesFM?

TimesFM (Time Series Foundation Model) é um modelo de fundação somente decodificador (decoder-only) construído especificamente para previsão de séries temporais. Ele foi apresentado no artigo A decoder-only foundation model for time-series forecasting, apresentado no ICML 2024. Em vez de ser treinado em palavras, ele é treinado em sequências de pontos históricos de dados. Depois de pré-treinado, pode prever valores futuros para todos os tipos de séries temporais — sem exigir treinamento personalizado para cada novo conjunto de dados.

Bem-vindo ao TimesFM 3.0

Avançando rapidamente para agosto de 2026 (sim, o projeto anda rápido), o Google lançou o TimesFM 3.0. Esta é a maior atualização até agora, e traz três coisas principais:

Resultados de benchmark que comprovam

O README afirma algumas colocações em benchmarks bastante impressionantes:

Estar no topo dos três principais benchmarks de modelos de fundação de séries temporais é um forte sinal de que o TimesFM se tornou o modelo generalista de referência neste espaço.

Mas atenção à licença

Aqui está o detalhe importante se você quiser usar o TimesFM 3.0 em um produto comercial. O código-fonte tem licença Apache-2.0, e os pesos do modelo até a versão 2.5 também são Apache-2.0. No entanto, os pesos pré-treinados do TimesFM 3.0 são distribuídos sob uma licença separada não comercial. Isso significa que, se você pretende usar os pesos padrão 3.0 em produção ou para fins comerciais, você não tem permissão para fazer isso. Certifique-se de revisar o repositório para obter atualizações de licença antes de construir qualquer coisa séria.

Começando com o TimesFM 3.0

A instalação é simples se você já se sente confortável com Python e PyTorch:

Ou, se você quiser puxar o código e instalar localmente:

Exemplo simples de previsão univariada

Aqui está um exemplo mínimo do README que mostra como prever algumas séries de comprimentos diferentes com quantis:

Observe que o TimesFM pode processar duas séries com comprimentos de contexto diferentes no mesmo lote — 100 passos para uma, 72 para a outra — e prever os próximos 12 passos para ambas. Além disso, ele retorna nove quantis (0,1 a 0,9), o que é útil para entender a incerteza da previsão.

Previsão multivariada com covariáveis

Se você trabalha com múltiplos sinais relacionados — digamos, três canais diferentes de vendas de uma loja — você pode prevê-los simultaneamente. Aqui está uma versão condensada do exemplo do README:

O modelo produz uma previsão conjunta para todas as três variáveis ao longo dos próximos 24 passos, além de quantis para cada variável e horizonte. Esse tipo de suporte nativo multivariado torna muito mais fácil prever um sistema de séries temporais relacionadas do que tratar cada uma isoladamente.

Uma olhada para trás: o que mudou na versão 2.5

Antes da 3.0, o lançamento 2.5 (setembro de 2025) já havia trazido várias melhorias notáveis: reduziu o modelo de 500M para 200M de parâmetros, expandiu o comprimento máximo do contexto de 2048 passos para 16k passos e adicionou uma cabeça de quantis opcional para previsões contínuas de até 1.000 passos. Também removeu o indicador de frequência, simplificando o formato de entrada. Se você está usando o checkpoint 2.5 e quer fazer fine-tuning, o repositório agora inclui exemplos de fine-tuning eficiente em parâmetros com HuggingFace Transformers + PEFT (LoRA), além de testes unitários e uma skill de agente.

Onde você pode usar o TimesFM?

O Google também incorporou o TimesFM a alguns produtos da própria Google:

Para todos os demais, a versão open-source pode ser instalada via PyPI e executada na sua própria infraestrutura.

Considerações finais

O TimesFM 3.0 parece ser um passo genuinamente grande para a previsão de séries temporais aberta. A capacidade de lidar com séries multivariadas com covariáveis, combinada com os melhores resultados de benchmark, faz dele uma base poderosa para uma ampla gama de problemas de previsão. Apenas tome cuidado com a licença não comercial dos pesos se você planeja usá-lo em um produto.

Se você estiver curioso, acesse o repositório do TimesFM no GitHub para experimentar os exemplos você mesmo. São necessárias apenas algumas linhas de Python para começar a prever.