Google Research 推出的时间序列基础模型 TimesFM 发布了 2.5 版本。新版本在参数量减半的同时，将上下文长度提升了 8 倍，支持更长周期的预测任务，并提供了更灵活的预测选项。该模型已开源，旨在为开发者提供高性能且易于部署的时间序列预测工具。
核心进化：更轻、更长、更强
相比之前的 2.0 版本，TimesFM 2.5 在架构和性能上进行了多项关键改进：
- 参数规模大幅缩减：模型参数从 5 亿降至 2 亿，在保持性能的同时显著降低了推理成本和硬件门槛。
- 记忆长度跨越式提升：支持的上下文长度从 2,048 步跃升至 16,000 步，这意味着模型可以同时参考更久远的历史数据。
- 更深远的预测视野：通过新增的 3000 万参数的分位数磁头（Quantile Head），支持最长 1,000 步 的连续分位数预测。
关键功能与易用性改进
除了核心参数的优化，新版本在实际应用逻辑上也做了减法和加法：
- 简化输入流程：正式移除了频率指示器（Frequency Indicator），减少了数据预处理的复杂性。
- 回归协变量支持：通过 XReg 重新加入了对协变量（外部变量）的支持，使模型能够考虑天气、节假日等额外信息。
- 双框架适配：同时提供 PyTorch 和 Flax 接口，其中 Flax 版本可实现更快的推理速度。
TimesFM 2.5 在减小模型体量的同时，大幅扩展了模型“观察过去”和“预见未来”的边界，是目前长序列预测任务中的有力工具。
开发者接入指南
TimesFM 2.5 已经完全开源，开发者可以通过以下途径快速集成：
- 代码获取：直接从 GitHub 仓库克隆，支持通过
uv快速配置虚拟环境。 - 模型权重：托管在 Hugging Face 平台，支持直接调用。
- 云端集成：对于企业用户，TimesFM 也作为官方产品集成到了 Google BigQuery 中，方便进行大规模数据分析。
加粗提醒：如果你正在处理超长周期的工业传感器数据或细颗粒度的金融数据，1.6 万步的上下文支持将是该模型最核心的竞争优势。