# TimesFM-3 prévoit plusieurs séries en un seul passage > Google Research lance TimesFM-3, modèle de 330 millions de paramètres entraîné sur plus de 1 000 milliards de points pour prévoir plusieurs séries. Type : Actualité IA · Catégorie : Outils · Publié le 2026-09-01 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/google-research-devoile-timesfm-3-pour-prevoir-plusieurs-series Tags : prévision, google, modèles, données, machine learning --- ## En résumé - Google Research a lancé TimesFM-3, un modèle multivarié de 330 millions de paramètres. - Le modèle a été préentraîné sur plus de 1 000 milliards de points temporels. - Ses poids restent limités aux usages non commerciaux et non productifs. **Le signal :** TimesFM-3 traite plusieurs séries temporelles en un seul passage avec 330 millions de paramètres. **[Google](/signal-ia/actu/gemini-36-flash-lia-boostee-sans-parametres-classiques) Research lance** TimesFM-3, un modèle de fondation pour les séries temporelles multivariées. Le modèle compte 330 millions de paramètres. Il prévoit plusieurs séries liées lors d’un seul passage. Google Research l’a préentraîné sur plus de 1 000 milliards de points temporels réels et synthétiques. Les versions précédentes de TimesFM, jusqu’à TimesFM-2.5, traitaient une seule série à partir de son historique. TimesFM-3 accepte plusieurs cibles, des covariables passées et des covariables connues dans le futur. Il fonctionne sans ajustement spécifique à une tâche. L’annonce et les détails techniques sont présentés sur le [blog de Google Research](https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/). **Les données se combinent** dans un exemple de ventes de glaces. Les ventes de produits associés, la fréquentation, la météo, les promotions et les jours fériés peuvent évoluer ensemble. TimesFM-3 utilise ces relations pour produire des prévisions conjointes. Les covariables passées décrivent des informations connues uniquement dans l’historique, comme la fréquentation précédente. Les covariables passées et futures incluent des valeurs déjà connues, comme un calendrier promotionnel. Le modèle produit des sorties ponctuelles et des quantiles pour chaque cible. Google indique que cette approche répond à des problèmes de prévision qui dépassent le traitement isolé d’une seule série. ## Google combine deux attentions **L’architecture repose** sur un transformeur décodeur seul. Les points contigus sont regroupés en blocs de 32 étapes. Chaque série est normalisée séparément afin que les échelles très différentes ne dominent pas le calcul. Les jetons des cibles et des covariables passées proviennent d’un même bloc. Les covariables passées et futures utilisent une méthode de regard anticipé. Le bloc courant est associé aux blocs futurs afin d’exposer les événements programmés. Deux mécanismes d’attention alternent ensuite dans une grille à deux dimensions. L’attention temporelle causale regarde les jetons antérieurs de la même série. L’attention entre variables lit les autres séries au même instant. **Le calcul devient simultané** sur tout l’horizon prévu. Les anciennes versions de TimesFM décodaient un bloc après l’autre. Cette méthode ajoutait de la latence, du coût de calcul et un risque d’erreur cumulative. TimesFM-3 utilise le masquage de blocs contigus, une méthode d’[entraînement](/signal-ia/actu/andrej-karpathy-surajustez-un-lot-avant-le-reseau) introduite avec TiRex. Des jetons masqués couvrent tout l’horizon. Les cibles et les covariables passées y restent masquées. Les covariables futures connues restent visibles. Les couches d’attention remplissent alors les blocs masqués simultanément. Chaque cible reçoit neuf quantiles, du 10e au 90e percentile, à chaque étape de l’horizon. Le [dépôt GitHub](https://github.com/google-research/timesfm) publie le code sous licence Apache-2.0. ## TimesFM-3 arrive en tête **Les évaluations couvrent** GIFT-Eval, fev-bench et le classement TIME. Google a comparé TimesFM-3 à Chronos-2, à la famille Toto 2.0 et à TimesFM-2.5. Parmi les modèles de fondation préentraînés, TimesFM-3 obtient le meilleur rang moyen sur les trois évaluations. Ce résultat concerne les métriques ponctuelles et probabilistes. Les notes de publication indiquent aussi un premier rang général sur fev-bench, qui regroupe 100 tâches réelles. Elles indiquent un premier rang général sur TIME, avec 50 jeux de données de domaines et 98 tâches évaluées. TimesFM-3 arrive enfin premier parmi les modèles de fondation sur GIFT-Eval. Les [poids sont disponibles sur Hugging Face](https://huggingface.co/google/timesfm-3.0-pytorch). **La licence limite** toutefois le déploiement du modèle. Le code du dépôt TimesFM relève de la licence Apache-2.0. Les poids de TimesFM-3 relèvent de la licence timesfm-non-commercial-license-v1.0. Cette licence les réserve aux [usages](/signal-ia/actu/anthropic-et-openai-ne-voient-quune-partie-des-usages-de-lia) non commerciaux et non productifs. Les équipes peuvent donc le comparer et l’évaluer. Elles ne peuvent pas l’intégrer dans une interface de prévision utilisée en production. TimesFM-2.5 reste l’option sous licence Apache-2.0 pour un déploiement. TimesFM-3 apporte ainsi une architecture multivariée, un calcul en un passage et neuf quantiles par étape, mais son usage opérationnel reste encadré par ses conditions de licence.