TimesFM-2.5
PulseAugur coverage of TimesFM-2.5 — every cluster mentioning TimesFM-2.5 across labs, papers, and developer communities, ranked by signal.
- 2026-08-22 product_launch Google released TimesFM-2.5, a time-series forecasting foundation model. 来源
- 2026-08-02 product_launch Google released a tutorial for its TimesFM 2.5 time-series forecasting model. 来源
- 2026-07-11 product_launch Google Research released TimesFM 2.5, an open-source foundation model for time-series forecasting. 来源
2 天有情绪数据
-
时间序列AI模型通过块跳过展示出推理加速潜力
研究人员调查了时间序列基础模型Chronos-Bolt和TimesFM 2.5的计算效率。他们的研究探讨了在推理过程中是否可以移除整个Transformer块而不显著影响预测准确性。虽然在A100 GPU上适度跳过Chronos-Bolt和TimesFM 2.5的块将推理延迟降低了11%以上，但更激进的跳过会导致某些数据集上的性能显著下降。研究结果表明，虽然这些模型中存在结构化冗余，但尚未实现可部署的动态推理方法。
-
新研究解决时间序列AI模型的上下文学习问题
研究人员正在探索改进时间序列基础模型（TSFMs）的上下文学习能力的方法。一篇新论文研究了Chronos-2、TimesFM-2.5和TabPFN-TS等模型如何处理反事实输入，发现一些模型是无记忆的或会削弱动态，导致预测不准确。该研究提出在合成数据上对这些模型进行微调，以增强它们表示和预测系统动态的能力，在某些任务上显示出更高的敏感性和性能，尽管在单变量预测能力上有所权衡。
-
Google AI 发布 TimesFM-3 用于多元时间序列预测
Google AI 推出了 TimesFM-3，这是一个拥有 3.3 亿参数的基础模型，专为多元时间序列预测而设计。与仅限于单变量预测的前代模型不同，TimesFM-3 能够联合预测多个相关时间序列，并在无需任务特定微调的情况下纳入过去和未来的外部因素。该模型通过采用一种新颖的架构，结合了交替因果时间注意力和全变量注意力机制，在 GIFT-Eval 和 TIME 排行榜等多个基准测试中取得了最先进的性能。虽然代码可在 Apache-2…
-
新框架识别时间序列基础模型中的偏差
一篇新的研究论文提出了一个因果分析框架，用于在部署前识别时间序列基础模型中的偏差和故障模式。该研究将此框架应用于Chronos-2和TimesFM-2.5，揭示出这两个模型都表现出高估持续性的偏差，并且在应对模式转换方面存在困难。研究结果表明，预训练数据可能导致这些问题，论文为模型开发和选择提供了建议。
-
Google 发布 TimesFM-2.5 用于时间序列预测
Google 发布了 TimesFM-2.5，这是一个拥有 2 亿参数的时间序列预测基础模型。该模型旨在为需求预测任务提供一个强大的起点，无需从头开始训练模型。它被设计用来处理时间序列数据中的不确定性、协变量和局部变化。
-
Google 发布 TimesFM 2.5 时间序列预测模型教程
Google 发布了其 TimesFM 2.5 时间序列预测模型的全面教程。该教程涵盖了模型的各个方面，包括零样本预测、回测、协变量集成和异常检测。它还详细介绍了在 Colab 上的可扩展部署，并将 2 亿参数模型与季节性朴素基线进行了比较。
-
TimesFM 2.5 凭借新功能增强时间序列预测能力
时间序列预测模型 TimesFM 2.5 已更新，加入了用于端到端工作流开发的先进功能。新版本支持回测、协变量集成、异常检测和可扩展部署。用户现在可以使用各种指标评估预测质量，并在不同场景下测试模型的鲁棒性，包括长周期预测和输入变化。
-
Google Research 发布 TimesFM 2.5，用于零样本时间序列预测
Google Research 发布了 TimesFM 2.5，这是一个开源的时间序列预测基础模型。该模型拥有 2 亿个参数和高达 16,384 个点的上下文窗口，无需特定任务的训练数据即可预测未来趋势，以零样本（zero-shot）方式运行。与 Auto ARIMA 等传统方法相比，它在基准测试中显示出更高的准确性，平均绝对误差（Mean Absolute Error）降低了 15-25%，尽管其在某些稳定时间序列上的表现可能与经典…
-
Darts 库统一了零样本时间序列预测的基础模型
在 Darts Python 库中开发了一系列新的时间序列预测基础模型。该计划旨在统一各种预训练模型的接口，包括 Chronos-2、TimesFM 2.5、TiRex 和 PatchTST-FM，使它们更具互操作性，并更易于集成到现有的预测流程中。Darts 框架现在提供标准化的、全周期的预测功能，使用户能够利用这些基础模型进行零样本或微调预测、不确定性估计和回测，而外部依赖性极少。