Was ist TimesFM?
TimesFM (Time Series Foundation Model) ist ein reiner Decoder-Transformer von Google Research, der Zahlenreihen zero-shot prognostiziert: Du gibst vergangene Werte ein und bekommst eine Prognose plus neun Quantile, ohne pro Reihe ein Modell anzupassen. Das ursprüngliche Paper erschien auf der ICML 2024. Das Repo enthält den Code, Beispiele, ein Rezept für LoRA-Fine-Tuning und eine Skill-Datei für Agenten, mit Backends für PyTorch, Flax und MLX auf Apple silicon.
TimesFM 3.0 erschien Ende August 2026, hat 330 Millionen Parameter und bringt multivariate Prognosen sowie Kovariaten, die nur in der Vergangenheit oder auch für die Zukunft bekannt sind. Laut Googles Blog wurde es mit mehr als 1 Billion Zeitpunkten trainiert und liegt unter den Foundation-Modellen auf GIFT-Eval, fev-bench und TIME vorn. TimesFM 2.5 vom September 2025 ist ein 200M-Modell mit 16k Kontext.
Die Lizenzen unterscheiden sich je nach Version. Code und Gewichte bis 2.5 stehen unter Apache 2.0; die Gewichte von 3.0 tragen eine nicht kommerzielle TimesFM-Lizenz, die kommerzielle Nutzung und Produktionseinsatz heruntergeladener Kopien verbietet. Kommerziell läuft 3.0 über Google Cloud, vor allem über die Funktion AI.FORECAST in BigQuery. Das Repo hat rund 35.500 Sterne, der letzte Commit stammt vom 13. November 2026.
Lohnt sich TimesFM?
TimesFM macht eine glaubwürdige Prognose zum billigsten Schritt eines Nachfrage- oder Kapazitätsprojekts, und die Lizenz der neuesten Version entscheidet, wie du sie nutzen darfst. Ein Zero-shot-Modell liest eine Reihe, die es nie gesehen hat, und sagt die nächsten Werte ohne Training pro Reihe voraus. Das ersetzt Wochen an ARIMA- oder Gradient-Boosting-Tuning über Tausende Produkte durch einen einzigen Batch-Aufruf.
Version 3.0 schließt die Lücke, die frühere Versionen aus ernsthafter Planung heraushielt. Bis 2.5 prognostizierte TimesFM eine Reihe aus ihrer eigenen Historie; 3.0 verarbeitet mehrere zusammenhängende Reihen gleichzeitig und akzeptiert Kovariaten wie einen Aktionskalender. Googles Blog zeigt ein fiktives Speiseeis-Beispiel, in dem ein bekannter Aktionsplan die Prognose an Aktionstagen um etwa 20% anhebt. Die Benchmark-Ranglisten stammen von Google selbst, als mittlere Ränge gegenüber Chronos-2, Toto 2.0 und TimesFM 2.5, und der Blog zeigt Diagramme statt Werte.
Der Haken: Die 3.0-Gewichte auf Hugging Face sind für nicht kommerzielle Nutzung außerhalb der Produktion lizenziert. Ein Unternehmen, das sie herunterlädt und damit die eigene Lagerplanung prognostiziert, verlässt die Lizenz. Der kommerzielle Weg ist AI.FORECAST in BigQuery, wo 3.0 noch als Preview gekennzeichnet ist, den Kontext auf 2.048 Punkte begrenzt statt 15.360 beim Selbsthosting und den Horizont auf 1.024 Punkte. TimesFM 2.5 bleibt Apache 2.0 und ist in BigQuery der Standard. Deshalb kommt es weiter auf rund 1,7 Millionen Downloads im Monat, 3.0 auf etwa 479.000.
Das Repo ist für ein Forschungsprojekt aktiv und gut gepflegt: Die Releases v2.0.1, v2.0.2 und v3.0.0 kamen zwischen Juni und August 2026, im April kam eine Testsuite hinzu, und laut README schafft das MLX-Backend 666 Reihen pro Sekunde auf einem M4 Max. Das README sagt auch, dass diese offene Version kein offiziell unterstütztes Google-Produkt ist; Support gibt es über GitHub-Issues.
Unser Fazit: 2.5 ist die kostenlose Messlatte, die jedes Prognoseteam schlagen sollte, bevor es etwas Eigenes baut, und 3.0 ist ein Google-Cloud-Produkt mit einer Forschungsvorschau nebenher.
Wo es sich lohnt
Ein Bedarfsplaner bei einem Händler mit 20.000 SKUs
Für jedes Produkt eine wöchentliche Basisprognose ohne Modellierungsteam
Die Verkaufshistorie per predict_batch auf einer GPU durch TimesFM 2.5 schicken und die Quantile für den Sicherheitsbestand nutzen. Apache 2.0, also für die Produktion erlaubt; Kosten sind die GPU-Stunden.
Eine Datenanalystin, deren Verkaufsdaten schon in BigQuery liegen
Umsatz nach Region prognostizieren, mit dem Marketingkalender als Kovariate
AI.FORECAST mit TimesFM 3.0 als Modell und den Aktionsmarkern als zukünftige Kovariaten aufrufen, in einer einzigen SQL-Abfrage. Abgerechnet zu BigQuery-Tarifen, für 3.0 ab dem 1. Dezember 2026 tokenbasiert.
Ein SRE-Team mit einigen hundert Diensten
Kapazitätsengpässe eine Woche im Voraus aus CPU- und Request-Metriken erkennen
TimesFM 2.5 über die stündlichen Metriken jedes Dienstes laufen lassen und alarmieren, wenn die Prognose des 90. Perzentils die Kapazität überschreitet. Selbst gehostet kostenlos; eine kleine GPU oder ein Laptop mit Apple silicon reicht.
Bevor du dich festlegst
- Einrichtung
- pip install timesfm[torch] (oder timesfm[mlx] auf Apple silicon) unter Python 3.10+, dann google/timesfm-3.0-pytorch oder den 2.5-Checkpoint von Hugging Face laden und predict_batch mit NumPy-Arrays aufrufen. Die erste Prognose dauert Minuten.
- Integrationen
- Checkpoints auf Hugging Face; Backends für PyTorch, Flax und MLX; Transformers und PEFT für LoRA-Fine-Tuning; BigQuery ML AI.FORECAST, Connected Sheets und Vertex AI Model Garden in Google Cloud; eine AGENTS.md und SKILL.md für Coding-Agenten.
- Daten und Datenschutz
- Selbst gehostete Inferenz läuft lokal und schickt nichts an Google. Code und Gewichte bis 2.5 stehen unter Apache 2.0; die 3.0-Gewichte unter der nicht kommerziellen TimesFM-Lizenz. Die Nutzung in BigQuery fällt unter die Google-Cloud-Bedingungen, die kommerzielle Nutzung erlauben.
- Kosten im großen Maßstab
- Selbsthosting kostet nur Rechenleistung; die Modelle mit 200M und 330M passen auf eine GPU oder einen Laptop. In BigQuery wird AI.FORECAST zu BigQuery-ML-Tarifen abgerechnet, und 3.0 wechselt ab dem 1. Dezember 2026 zu tokenbasierten Preisen; Preise pro Token stehen nicht in der Dokumentation, die wir gelesen haben.
- Grenzen
- BigQuery begrenzt 3.0 auf 2.048 Punkte Kontext und 1.024 Punkte Horizont (2.5 erlaubt bis zu 15.360 und 10.000); jede Reihe braucht mindestens 3 Punkte. Selbst gehostet kürzt 3.0 Kontexte über 15.360 Punkte. Rund 240 offene Issues und Pull Requests.
Was gut ist
- Zero-shot-Punkt- und Quantilprognosen ohne Training pro Reihe
- Version 3.0 bringt multivariate Reihen und vergangene oder zukünftige Kovariaten
- Versionen bis 2.5 stehen bei Code und Gewichten unter Apache 2.0
- Läuft auf PyTorch, Flax oder MLX sowie in BigQuery und Google Sheets
Was nicht
- Gewichte von TimesFM 3.0 nur für nicht kommerzielle Nutzung außerhalb der Produktion
- Benchmark-Ranglisten sind selbst berichtet, als mittlere Ränge ohne Werte
- 3.0 in BigQuery ist Preview mit 2.048 Punkten Kontext
- Kein offiziell unterstütztes Google-Produkt; Support über GitHub-Issues
Am besten für
Analysten und Datenteams, die schnell brauchbare Prognosen über viele Reihen brauchen und entweder mit TimesFM 2.5 auskommen oder ohnehin auf BigQuery arbeiten.
Alternativen zu TimesFM
TimesFM: häufige Fragen
- Lohnt sich TimesFM?
- Ein Prognosemodell, das nach Googles eigener Zählung die Ranglisten anführt, mit einem Haken: Die Gewichte von 3.0 sind nur für die Forschung, wer in Produktion geht, bleibt bei der Apache-lizenzierten 2.5 oder zahlt Google über BigQuery. Wir bewerten es mit 4.3 von 5.
- Was kostet TimesFM?
- Code und Gewichte bis 2.5 sind kostenlos unter Apache 2.0. Die Gewichte von TimesFM 3.0 sind nur für nicht kommerzielle Nutzung frei; kommerziell läuft es über BigQuery ML zu BigQuery-Tarifen, für 3.0 ab dem 1. Dezember 2026 mit tokenbasierter Abrechnung.
- Welche Nachteile hat TimesFM?
- Gewichte von TimesFM 3.0 nur für nicht kommerzielle Nutzung außerhalb der Produktion; Benchmark-Ranglisten sind selbst berichtet, als mittlere Ränge ohne Werte; 3.0 in BigQuery ist Preview mit 2.048 Punkten Kontext; Kein offiziell unterstütztes Google-Produkt; Support über GitHub-Issues.
- Für wen eignet sich TimesFM?
- Analysten und Datenteams, die schnell brauchbare Prognosen über viele Reihen brauchen und entweder mit TimesFM 2.5 auskommen oder ohnehin auf BigQuery arbeiten.
- Was kostet TimesFM für ein Team oder im Produktivbetrieb?
- Selbsthosting kostet nur Rechenleistung; die Modelle mit 200M und 330M passen auf eine GPU oder einen Laptop. In BigQuery wird AI.FORECAST zu BigQuery-ML-Tarifen abgerechnet, und 3.0 wechselt ab dem 1. Dezember 2026 zu tokenbasierten Preisen; Preise pro Token stehen nicht in der Dokumentation, die wir gelesen haben.
- Ist TimesFM sicher für Firmendaten?
- Selbst gehostete Inferenz läuft lokal und schickt nichts an Google. Code und Gewichte bis 2.5 stehen unter Apache 2.0; die 3.0-Gewichte unter der nicht kommerziellen TimesFM-Lizenz. Die Nutzung in BigQuery fällt unter die Google-Cloud-Bedingungen, die kommerzielle Nutzung erlauben.
- Was sind die besten Alternativen zu TimesFM?
- Die nächsten Alternativen, die wir getestet haben, sind Kronos.
Antworten geprüft am 14. Nov. 2026.
Du entwickelst TimesFM? Zeig diese Bewertung auf deiner Website
