Google présente TimesFM-3, entraîné sur 1 000 milliards de points

Google Research présente TimesFM-3, la nouvelle génération de son modèle fondation pour les séries temporelles. L’annonce, publiée le 31 août 2026, décrit un système conçu nativement pour la prévision multivariée. TimesFM-3 possède 330 millions de paramètres. Son pré-entraînement repose sur un corpus réel et synthétique dépassant 1 000 milliards de points temporels. Le modèle prévoit plusieurs séries liées durant un seul passage. Il fournit des prévisions ponctuelles et quantiles pour chaque cible. Google Research indique aussi une généralisation sans réglage spécifique. TimesFM-3 est disponible sur GitHub et Hugging Face. Son intégration à BigQuery doit arriver dans les prochaines semaines.

Les usages évoluent Depuis TimesFM, lancé en 2024, Google Research décrit des usages dans la distribution, la finance, l’observabilité, l’industrie manufacturière, la santé et les sciences naturelles. Jusqu’à TimesFM-2.5, lancé en septembre 2025, les modèles traitaient uniquement une série à la fois. TimesFM-3 ajoute plusieurs cibles, les covariables passées et les covariables dynamiques connues pour le futur. Dans l’exemple présenté, les ventes de glaces sont associées aux produits liés, au trafic historique, aux promotions et aux prévisions météorologiques. Le modèle peut ainsi intégrer des signaux distincts dans une même prévision. Cette conception répond aux scénarios décrits par Google Research comme intrinsèquement multivariés.

TimesFM-3 combine les séries

L’architecture alterne TimesFM-3 reprend une architecture de transformeur décodeur seul. Le modèle regroupe les données contiguës en blocs de 32 pas temporels. Il normalise chaque série pour gérer des échelles différentes. Pour les cibles et les covariables passées, chaque jeton provient directement d’un bloc. Pour les covariables passées et futures, une stratégie d’anticipation concatène le bloc courant avec des blocs futurs connus. Les jetons traversent ensuite deux mécanismes alternés. L’attention temporelle causale observe les pas précédents dans chaque série. L’attention complète entre variables observe les autres séries au même instant. Google Research présente cette organisation comme un moyen d’associer motifs temporels et relations entre séries.

Le décodage change Les versions précédentes de TimesFM généraient les prévisions bloc par bloc. TimesFM-3 ajoute le masquage de blocs contigus pour produire tout l’horizon en un seul passage. Le modèle place des jetons masqués après le contexte observé. Les cibles et covariables passées restent masquées sur l’horizon. Les covariables passées et futures restent visibles lorsqu’elles sont connues. Les couches d’attention remplissent alors simultanément les blocs futurs, sans boucle itérative. TimesFM-3 prédit neuf quantiles, du 10e au 90e percentile, pour chaque cible et chaque pas. Google Research associe cette sortie à une représentation probabiliste de l’incertitude des prévisions.

Trois benchmarks placent Google en tête

Les évaluations couvrent trois benchmarks publics de prévision, Gift-Eval, FEV-Bench et Time. Google Research classe TimesFM-3 premier parmi les modèles fondation préentraînés selon les métriques ponctuelles et probabilistes. La comparaison inclut notamment Chronos-2, la famille Toto 2.0 et TimesFM-2.5. L’évaluation présente deux modes pour TimesFM-3. En mode univarié, chaque série est traitée indépendamment, sans covariable ni information entre séries. Google Research indique que ce mode égale ou dépasse déjà d’autres modèles comparables. En mode multivarié, le modèle utilise les relations entre séries et les covariables disponibles. Il obtient alors le meilleur rang moyen sur les trois benchmarks, pour les deux familles de métriques.

L’exemple illustre l’utilisation d’une promotion planifiée comme covariable connue pour le futur. Dans cette démonstration, TimesFM-3 apprend la relation entre promotions et ventes à partir de l’historique. Il applique ensuite cette relation aux jours promotionnels futurs. Google Research observe une hausse prévue d’environ 20 % des ventes chaque jour concerné. La prévision multivariée réagit aux blocs de promotions, contrairement à la prévision univariée présentée dans l’exemple. Le résultat annoncé concerne aussi le revenu projeté sur l’ensemble du mois. TimesFM-3 est déjà accessible sur GitHub et Hugging Face. Google Research indique que l’intégration BigQuery arrivera dans les prochaines semaines.