google-research/timesfm

📌 TimesFM 2.5：輕量長上下文時間序列模型

你是否曾為了預測銷售、氣象或股票而為模型參數爆炸頭疼？TimesFM 2.5 卻用只有 200M 參數就支援 16K 長上下文。
這意味著在不犧牲精度的情況下，你可以看更遠的歷史，同時仍能透過 Google 產品直接呼叫。

🤔 時間序列預測亟需更實用的基礎模型
傳統預測模型往往需要針對每個領域重新訓練，且隨著歷史長度增加，計算成本呈指數級增長。Google Research 觀察到，產業界對於「可直接插入既有工作流程」的預測工具需求日益增長，尤其在需要長時序依賴與快速迭代的場景中。

🧪 從 500M 參數的 decoder‑only 架構演進至 200M、16K 上下文的 TimesFM 2.5
TimesFM 採用 decoder‑only Transformer 作為基礎架構，先前版本在 ICML 2024 中發表。最新更新將參數數量從 500M 壓縮至 200M，同時將可處理的上下文長度從 2048 提升至 16K，並新增支援最高 1000 步的連續分位數預測（可選）。所有檢查點已在 Hugging Face 上公開，並提供 pip 安裝方式（例如 pip install timesfm==1.3.0 以載入舊版）。

🚀 更輕量、更長上下文、更靈活的預測能力
參數減少不代表能力下降；相反，更小的模型在相同硬體上能跑更長的序列，減少記憶體瓶頸。延長的上下文使模型能捕捉到更遠的週期性或趨勢資訊，而新增的分位數預測則提供了不確定性量化，對風險管理尤為重要。此外，該版本透過 XReg 重新引入共變量支援，使外部特徵（如假日、促銷）能納入預測流程。

💡 LoRA 微調、Agent 整合與社群貢獻提升實用性
2026 年 4 月的更新加入了使用 HuggingFace Transformers + PEFT（LoRA）的微調範例，使使用者能在小量領域資料上快速適應模型，而無需完整重訓。3 月的更新則由社群成員 @borealBytes 貢獻了 Agent 支援，並隨附 TimesFM SKILL.md 說明如何在自動化工作流程中呼叫模型。同時新增了單元測試與多項社群修正，提升了程式碼的穩定性與可維護性。

⚠️ 開放版本非官方產品，且仍需領域知識進行微調
儘管 TimesFM 已被整合至 BigQuery ML、Google Sheets 與 Vertex Model Garden，但 GitHub 上的此版本僅為開放原始碼，未獲 Google 官方正式支援。模型雖提供強大的預測基礎，但在特定產業或極端長序任務上，仍建議根據領域資料進行 LoRA 微調以獲得最佳結果。

🎯 將 TimesFM 2.5 納入您的預測管線，先從 LoRA 微調與 Agent 呼叫開始

• 在 Google Sheets 或 BigQuery ML 中直接呼叫模型進行快速原型預測。
• 利用提供的 LoRA 範例，用少量歷史資料微調模型以適應您的產業特性。
• 若需自動化決策，參考 Agent 支援文件將模型封裝為可調用的服務。
  這樣既能享受基礎模型的廣泛知識，又能透過輕量微調貼近實際場景。

🔗 論文與資源連結
📝 A decoder-only foundation model for time-series forecasting , ICML 2024
👤 Google Research
🔗 模型檢查點：https://huggingface.co/google/timesfm
🔗 GitHub 專案：https://github.com/google-research/timesfm
🔗 Google Research 部落格：https://research.google/blog/timesfm/

你已經在專案中嘗試過 TimesFM 2.5 了嗎？歡迎在留言區分享你的使用經驗或遇到的挑戰 👇

#GoogleResearch #TimesFM #TimeSeriesForecasting #LoRA #AgentAI #BigQueryML #GoogleSheets #VertexModelGarden #機器學習 #資料科學