Prever o futuro deixou de ser tarefa de um único gráfico
Desde o lançamento do TimesFM em 2024, modelos de fundação para séries temporais ganharam espaço em varejo, finanças, manufatura, saúde e ciências naturais. Mas havia uma limitação importante: até a versão 2.5 (setembro de 2025), os modelos do Google faziam apenas previsão univariada — olhavam para o histórico de uma única série. A maioria dos problemas reais, porém, é multivariada: vender sorvete depende não só das vendas passadas, mas de produtos relacionados, fluxo de pedestres, promoções e previsão do tempo.
O Google Research acaba de lançar o TimesFM-3, a nova geração dessa família de modelos, que nasce nativamente pré-treinada para previsão multivariada. São 330 milhões de parâmetros treinados em um corpus de mais de 1 trilhão de pontos temporais, combinando dados reais e sintéticos.
O que o TimesFM-3 faz de novo
O modelo prevê múltiplos alvos simultaneamente — por exemplo, diferentes marcas de sorvete ao mesmo tempo — e entrega tanto estimativas pontuais quanto por quantis. Também aceita dois tipos de covariáveis: as passadas (dados que só se conhecem historicamente, como o fluxo de pedestres de ontem) e as passadas-futuras (eventos conhecidos com antecedência, como campanhas promocionais ou feriados).
Na arquitetura, o TimesFM-3 mantém o transformer decoder-only dos antecessores, mas introduz uma atenção alternada em grade 2D: a atenção temporal causal (cada token só olha para o passado da própria série) se alterna com a atenção entre variáveis (um token enxerga todas as outras séries no mesmo instante). Para covariáveis futuras conhecidas, usa uma estratégia de lookahead que concatena o trecho atual com os trechos futuros, permitindo “espiar” sinais programados.
Decodificação em uma única passada
Outra mudança relevante é o abandono do processo autorregressivo. As versões anteriores geravam a previsão bloco por bloco, acumulando latência e erro. O TimesFM-3 usa Contiguous Patch Masking: acrescenta tokens mascarados para todo o horizonte futuro e os preenche de uma vez, em uma única passada, prevendo 9 quantis (do percentil 10 ao 90) para cada série — uma visão probabilística completa da incerteza.
No exemplo do sorvete, o modelo multivariado recebe a agenda de promoções como covariável e antecipa um salto de vendas de cerca de 20% em cada dia promocional, algo que o modo univariado simplesmente não enxerga.
Resultados e disponibilidade
Nos três benchmarks públicos de previsão — Gift-Eval, FEV-Bench e Time — o TimesFM-3 é o modelo mais bem colocado entre os modelos de fundação, tanto em acurácia pontual quanto em qualidade probabilística. Mesmo no modo univariado, já empata ou supera concorrentes como Chronos-2 e a família Toto 2.0; no modo multivariado, dá um salto adicional.
O modelo está disponível no GitHub e no Hugging Face, com a integração ao BigQuery prevista para as próximas semanas.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
