knowledge-base/wiki/concepts/llm/timesfm-time-series-forecasting.md

---
created: 2026-09-06
updated: 2026-09-06
sources: [xpost/2026-09-06_0xjokker-timesfm-3.md]
tags: [timesfm, time-series, forecasting, foundation-model, zero-shot, google-research, local-ai, open-weights]
---

# TimesFM — Foundation Model für Zeitreihenprognosen

## Kurzfassung

[TimesFM](https://github.com/google-research/timesfm) ist Googles vortrainiertes Foundation Model für Zeitreihenprognosen. Die Modellfamilie soll neue Zeitreihen ohne datensatzspezifisches Nachtraining prognostizieren können. Ein X-Post von [Jokker](https://x.com/0xJokker/status/2096362349644906555) macht daraus eine zugespitzte Kurzmeldung: lokal, zero-shot, kostenlos und Open Source. Die technische Lage ist brauchbar, aber der Lizenzsatz braucht ein Sternchen — natürlich genau dort, wo die Werbebotschaft keines vorsieht. 🎩

## Was der X-Post behauptet

Der spanischsprachige Post vom 05.09.2026 nennt als Anwendungsbeispiele Verkäufe, Nachfrage, Marktpreise, Webtraffic und Krypto-Volatilität. Er behauptet außerdem:

- Training auf 100 Milliarden realen Datenpunkten,
- Zero-Shot-Prognosen ohne erneutes Training,
- vollständig lokale Ausführung und damit Datenschutz,
- ein kostenloses Open-Source-Modell.

Ein Screenshot verweist auf den Checkpoint `google/timesfm-3.0-pytorch` und auf das öffentliche Repository. Der angekündigte Repository-Link in den Kommentaren war beim Abruf im Posttext nicht enthalten; der Screenshot und die offiziellen Projektseiten reichen jedoch zur Identifikation des Projekts.

## TimesFM 3.0

Das offizielle [Repository](https://github.com/google-research/timesfm) beschreibt TimesFM 3.0 als Modell für univariate und multivariate Zeitreihen. Es unterstützt sowohl vergangenheitsbasierte als auch vergangenheits- und zukunftsbekannte Kovariaten. Die [Modellkarte](https://huggingface.co/google/timesfm-3.0-pytorch) nennt eine Stacked-Mixing-Transformer-Architektur mit Variate Attention und CPM Iterative RevIN, 20 Transformer-Schichten, Modelldimension 1280 und 16 Köpfen.

Das Repository nennt für TimesFM 3.0 eigene Rang-1-Claims auf drei Benchmarks:

- fev-bench: 100 reale Forecasting-Aufgaben,
- TIME: 50 Domänendatensätze und 98 Evaluationsaufgaben,
- GIFT-Eval: Rang 1 unter Foundation Models.

Das sind Angaben aus der Projekt-Dokumentation, keine unabhängige Replikation. Für konkrete Finanz- oder Krypto-Prognosen belegen sie ebenfalls keinen wirtschaftlichen Erfolg.

## 100 Milliarden Datenpunkte: ältere Angabe, nicht automatisch 3.0

Der [Google-Research-Beitrag zum ursprünglichen TimesFM](https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/) beschreibt ein Pretraining auf 100 Milliarden realen Zeitreihenpunkten. Diese Zahl erklärt den X-Post, darf aber nicht ohne Zusatz als bestätigte TimesFM-3.0-Trainingszahl weitergereicht werden.

Die TimesFM-3.0-Modellkarte nennt als Datenquellen GiftEvalPretrain ohne Überschneidung mit fev-bench, Wikipedia Pageviews, Google Trends sowie synthetische und augmentierte Daten. Eine identische 100-Milliarden-Angabe für genau diesen Checkpoint ist in den hier geprüften 3.0-Unterlagen nicht ausgewiesen.

## Lokal und offen — mit Lizenzgrenze

Lokale Inferenz ist grundsätzlich möglich: Die offizielle README zeigt PyTorch-Ausführung mit heruntergeladenem Checkpoint und einem lokalen Gerät. Das ist ein realer Vorteil für Datenschutz und reproduzierbare Inferenz, sagt aber nichts über Hardwarebedarf, Geschwindigkeit oder Prognosequalität im Einzelfall.

Die Lizenzlage trennt Code und Gewichte:

| Bestandteil | Status |
|---|---|
| Repository-Quellcode | Apache 2.0 |
| TimesFM-Gewichte bis 2.5 | Laut Repository Apache 2.0 |
| TimesFM-3.0-Standardgewichte | TimesFM Non-Commercial License v1.0; keine kommerzielle oder produktive Nutzung |

„Open Source“ trifft damit auf den Code zu, aber nicht ohne Einschränkung auf die Standardgewichte von TimesFM 3.0. „Kostenlos“ ist keine Aussage über Produktionsrechte.

## Einordnung in Googles Foundation-Model-Familie

TimesFM erweitert das Foundation-Model-Muster von Text auf Zeitreihen: Zeitreihen-Patches fungieren als Eingabeeinheiten, und das Modell erzeugt zukünftige Patches. [TabFM](tabfm-zero-shot-tabular-foundation-model.md) überträgt die Zero-Shot-Idee auf tabulare Klassifikation und Regression. Beide Projekte zeigen eine Verschiebung weg vom klassischen „pro Datensatz ein Modell trainieren“ — allerdings ersetzt Zero-Shot nicht die Prüfung von Datenqualität, Drift, Unsicherheit und Kosten.

## Ehrliche Kante

- Der X-Post ist eine Sekundärdarstellung mit Werbesprache, kein Benchmark-Report.
- Die Benchmark- und Leistungsangaben zu TimesFM 3.0 stammen aus der offiziellen Projekt-Dokumentation.
- Die 100-Milliarden-Zahl ist für das ursprüngliche TimesFM offiziell dokumentiert, aber nicht automatisch eine 3.0-Zahl.
- Lokale Ausführung ist dokumentiert; konkrete Hardware- und Laufzeitangaben fehlen in der Quelle.
- Eignung für Marktpreis- oder Krypto-Prognosen wurde durch den Post nicht belegt.

## Verwandte Seiten

- [[tabfm-zero-shot-tabular-foundation-model.md|TabFM — Googles Zero-Shot-Modell für Tabulardaten]]
- [[llm-model-catalog.md|LLM Model Catalog]]
- [TimesFM-Repository](https://github.com/google-research/timesfm)
- [TimesFM 3.0 auf Hugging Face](https://huggingface.co/google/timesfm-3.0-pytorch)
- [TimesFM-Paper, arXiv:2310.10688](https://arxiv.org/abs/2310.10688)
- [Google Research: A decoder-only foundation model for time-series forecasting](https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/)

## Quelle

- [`raw/xpost/2026-09-06_0xjokker-timesfm-3.md`](../../raw/xpost/2026-09-06_0xjokker-timesfm-3.md)
- [X-Post von @0xJokker](https://x.com/0xJokker/status/2096362349644906555)