81 lines
5.7 KiB
Markdown
81 lines
5.7 KiB
Markdown
---
|
|
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)
|