Publicatiedatum: 1 september 2026
Google Research heeft TimesFM-3 op 31 augustus 2026 uitgebracht, een foundation model met 330 miljoen parameters voor zero-shot tijdreeks-voorspellingen. Het is de eerste TimesFM-versie die vanaf de training is ontworpen voor multivariate voorspellingen.
Het model is nu beschikbaar via GitHub en Hugging Face. Voor bedrijven is de belangrijkste beperking de licentie: de openbare TimesFM-3-gewichten mogen niet commercieel of in productie worden gebruikt.
Wat kan TimesFM-3?
Eerdere TimesFM-versies richtten zich vooral op univariate voorspellingen, waarbij één tijdreeks uit zijn eigen geschiedenis wordt voorspeld. TimesFM-3 kan meerdere gerelateerde reeksen tegelijk voorspellen en aanvullende variabelen meenemen.
Google gebruikt retail als voorbeeld. Een verkoopprognose kan historische vraag combineren met verwante producten, bezoekersaantallen, geplande promoties en toekomstig weer. Hetzelfde principe is relevant voor finance, productie, observability en zorg.
TimesFM-3 ondersteunt ook probabilistische voorspellingen. Het model kan quantielen produceren die een bandbreedte rond de verwachte uitkomst geven. Dat helpt planningsteams die onzekerheid expliciet willen meenemen.
TimesFM-3 specificaties, toegang en licentie
| Specificatie | TimesFM-3 |
|---|---|
| Parameters | 330M |
| Trainingscorpus | Meer dan 1 biljoen tijdpunten |
| Voorspellingen | Univariaat en multivariaat |
| Covariaten | Historisch en bekende toekomstige variabelen |
| Officiële weights | Hugging Face |
| Broncode | GitHub |
| Weights-licentie | TimesFM Non-Commercial License v1.0 |
De officiële Hugging Face-checkpoint is ongeveer 1,32 GB groot en gebruikt een transformer met twintig lagen. In de gepubliceerde configuratie ondersteunt het model maximaal 32 variabelen.
De licentie is het belangrijkste aandachtspunt. De broncode in de Google-repository gebruikt Apache 2.0, maar de TimesFM-3-gewichten hebben een aparte licentie. Die staat alleen niet-commercieel gebruik buiten productie toe.
Google zegt dat een BigQuery-integratie in de komende weken volgt. Voor zakelijke gebruikers kan die route uiteindelijk relevanter worden, afhankelijk van beschikbaarheid en gebruiksvoorwaarden.
Hoe vergelijkt TimesFM-3 met andere forecastingmodellen?
Google testte TimesFM-3 op GIFT-Eval, FEV-Bench en TIME. Volgens Google eindigt het model op alle drie als beste pretrained foundation model voor zowel puntvoorspellingen als probabilistische voorspellingen.
De vergelijking bevat onder meer Chronos-2, de Toto 2.0-familie en TimesFM-2.5. Google meldt bovendien dat TimesFM-3 in univariate modus al sterk presteert en verder verbetert wanneer het relaties tussen reeksen en aanvullende variabelen mag gebruiken.
Dit zijn benchmarkresultaten van Google zelf. De openbare weights mogen bovendien nog niet commercieel worden ingezet. Test daarom vooral op eigen vraag-, voorraad- of capaciteitsdata voordat je conclusies trekt uit de ranglijsten.
Wat ontbreekt nog aan de TimesFM-3 release?
De grootste ontbrekende schakel is een commercieel bruikbare productieroute voor de openbare weights. Technisch zijn ze downloadbaar, maar de licentie verhindert direct zakelijk gebruik in productie.
Google publiceert ook geen eenvoudige kostenvergelijking met een traditionele forecastingpipeline. De waarde hangt uiteindelijk af van nauwkeurigheid, inferencekosten en hoeveel handmatig feature engineering het model kan vervangen.
Wat dit betekent
Nu het testen waard voor datateams, maar nog niet geschikt voor commerciële productie met de openbare checkpoint. Een retail- of supply-chainteam kan onderzoeken of promoties, weer en verwante producten de forecast verbeteren zonder eerst een eigen multivariaat model te bouwen.
Vergelijk TimesFM-3 met je huidige baseline op echte planningsbeslissingen. Meet forecastfout, onzekerheidskalibratie en de impact op voorraad of personeelsplanning. Een commercieel bruikbare BigQuery-route kan het model later veel interessanter maken.
Voor meer informatie, bekijk de officiële aankondiging van TimesFM-3 op de website van Google Research.
