¿Qué es TimesFM?
TimesFM (Time Series Foundation Model) es un Transformer solo decodificador de Google Research que predice series numéricas en modo zero-shot: le pasas los valores pasados y devuelve una previsión y nueve cuantiles, sin ajustar un modelo por serie. El artículo original se presentó en ICML 2024. El repositorio incluye el código, ejemplos, una receta de fine-tuning con LoRA y un archivo de skill para agentes, con backends de PyTorch, Flax y MLX para Apple silicon.
TimesFM 3.0, publicado a finales de agosto de 2026, tiene 330 millones de parámetros y añade previsión multivariante y covariables conocidas solo en el pasado o también en el futuro. El blog de Google dice que se entrenó con más de 1 billón de puntos temporales y que ocupa el primer puesto entre los modelos fundacionales en GIFT-Eval, fev-bench y TIME. TimesFM 2.5, de septiembre de 2025, es un modelo de 200M con un contexto de 16k.
Las licencias cambian según la versión. El código y los pesos hasta la 2.5 son Apache 2.0; los pesos de la 3.0 llevan una licencia no comercial de TimesFM que prohíbe el uso comercial o en producción de las copias descargadas. El uso comercial de la 3.0 pasa por Google Cloud, sobre todo por la función AI.FORECAST de BigQuery. El repositorio tiene unas 35.500 estrellas y el último commit es del 13 de noviembre de 2026.
¿Merece la pena TimesFM?
TimesFM convierte una previsión creíble en el paso más barato de un proyecto de demanda o de capacidad, y la licencia de su versión más reciente decide cómo puedes usarla. Un modelo zero-shot lee una serie que nunca ha visto y predice los siguientes valores sin entrenar nada por serie, lo que sustituye semanas de ajuste de ARIMA o de modelos de gradient boosting en miles de productos por una sola llamada por lotes.
La versión 3.0 cierra la brecha que dejaba a las anteriores fuera de la planificación seria. Hasta la 2.5, TimesFM predecía una serie a partir de su propio histórico; la 3.0 trabaja con varias series relacionadas a la vez y acepta covariables como un calendario de promociones. El blog de Google muestra un ejemplo ficticio de helados en el que un calendario de promociones conocido eleva la previsión en torno a un 20% los días de promoción. Las clasificaciones de los benchmarks son de la propia Google, expresadas como rangos medios frente a Chronos-2, Toto 2.0 y TimesFM 2.5, y el blog ofrece gráficos en lugar de puntuaciones.
La pega: los pesos de la 3.0 en Hugging Face tienen licencia para uso no comercial y fuera de producción. Una empresa que los descarga y hace previsiones para planificar su propio inventario queda fuera de la licencia. La vía comercial es AI.FORECAST de BigQuery, donde la 3.0 sigue marcada como Preview, limita el contexto a 2.048 puntos frente a 15.360 en autoalojamiento y limita el horizonte a 1.024 puntos. TimesFM 2.5 sigue siendo Apache 2.0 y es la opción por defecto en BigQuery, por eso aún suma unos 1,7 millones de descargas al mes frente a unas 479.000 de la 3.0.
El repositorio está activo y bien cuidado para un proyecto de investigación: las versiones v2.0.1, v2.0.2 y v3.0.0 salieron entre junio y agosto de 2026, en abril se añadió una batería de tests y el README atribuye al backend MLX 666 series por segundo en un M4 Max. El README también dice que esta versión abierta no es un producto con soporte oficial de Google, así que el soporte son los issues de GitHub.
Nuestra opinión: trata la 2.5 como la referencia gratuita que cualquier equipo de previsión debería superar antes de construir algo a medida, y la 3.0 como un producto de Google Cloud con una versión de investigación al lado.
Dónde se gana su sitio
Un planificador de demanda en una cadena con 20.000 SKU
Tener una previsión semanal de referencia para cada producto sin un equipo de modelado
Pasa el histórico de ventas por lotes por TimesFM 2.5 en una GPU con predict_batch y usa los cuantiles para el stock de seguridad. Es Apache 2.0, así que se permite en producción; el coste son las horas de GPU.
Una analista de datos cuyas ventas ya están en BigQuery
Prever ingresos por región con el calendario de marketing como covariable
Llama a AI.FORECAST con el modelo TimesFM 3.0 y las marcas de promoción como covariables futuras, dentro de una sola consulta SQL. Se factura a tarifas de BigQuery, con precios por tokens para la 3.0 desde el 1 de diciembre de 2026.
Un equipo de SRE con unos cientos de servicios
Detectar con una semana de antelación la falta de capacidad a partir de métricas de CPU y peticiones
Ejecuta TimesFM 2.5 sobre las métricas horarias de cada servicio y lanza una alerta cuando la previsión del percentil 90 supera la capacidad. Autoalojarlo es gratis; basta una GPU pequeña o un portátil con Apple silicon.
Antes de decidirte
- Puesta en marcha
- pip install timesfm[torch] (o timesfm[mlx] en Apple silicon) con Python 3.10+, luego carga google/timesfm-3.0-pytorch o el checkpoint 2.5 desde Hugging Face y llama a predict_batch con arrays de NumPy. La primera previsión lleva minutos.
- Integraciones
- Checkpoints en Hugging Face; backends de PyTorch, Flax y MLX; Transformers y PEFT para fine-tuning con LoRA; BigQuery ML AI.FORECAST, Connected Sheets y Vertex AI Model Garden en Google Cloud; un AGENTS.md y un SKILL.md para agentes de programación.
- Datos y privacidad
- La inferencia autoalojada se ejecuta en local y no envía nada a Google. El código y los pesos hasta la 2.5 son Apache 2.0; los pesos de la 3.0 están bajo la licencia no comercial de TimesFM. El uso en BigQuery se rige por los términos de Google Cloud, que permiten el uso comercial.
- Coste a escala
- Autoalojarlo solo cuesta cómputo; los modelos de 200M y 330M caben en una GPU o un portátil. En BigQuery, AI.FORECAST se factura a tarifas de BigQuery ML, y la 3.0 pasa a precios por tokens desde el 1 de diciembre de 2026; los precios por token no aparecen en la documentación que leímos.
- Límites
- BigQuery limita la 3.0 a un contexto de 2.048 puntos y un horizonte de 1.024 (la 2.5 permite hasta 15.360 y 10.000); cada serie necesita al menos 3 puntos. La 3.0 autoalojada recorta los contextos de más de 15.360 puntos. Unos 240 issues y pull requests abiertos.
Lo bueno
- Previsiones puntuales y por cuantiles en zero-shot, sin entrenar por serie
- La versión 3.0 añade series multivariantes y covariables pasadas o futuras
- Las versiones hasta la 2.5 son Apache 2.0 en código y pesos
- Funciona en PyTorch, Flax o MLX, y dentro de BigQuery y Google Sheets
Lo malo
- Los pesos de TimesFM 3.0 son solo para uso no comercial y fuera de producción
- Clasificaciones de benchmarks autodeclaradas, como rangos medios sin puntuaciones
- La 3.0 de BigQuery está en Preview con un contexto de 2.048 puntos
- No es un producto con soporte oficial de Google; el soporte son los issues de GitHub
Ideal para
Analistas y equipos de datos que necesitan previsiones decentes en muchas series rápidamente y que pueden conformarse con TimesFM 2.5 o ya trabajan en BigQuery.
Alternativas a TimesFM
TimesFM: preguntas frecuentes
- ¿Merece la pena TimesFM?
- Un modelo de previsión que encabeza las clasificaciones según las cuentas de la propia Google, con una trampa: los pesos de la 3.0 son solo para investigación, así que quien vaya a producción se queda en la 2.5 con licencia Apache o paga a Google a través de BigQuery. Le damos un 4.3 sobre 5.
- ¿Cuánto cuesta TimesFM?
- El código y los pesos hasta la 2.5 son gratuitos bajo Apache 2.0. Los pesos de TimesFM 3.0 son gratuitos solo para uso no comercial; el uso comercial pasa por BigQuery ML, facturado a las tarifas de BigQuery, con precios por tokens para la 3.0 desde el 1 de diciembre de 2026.
- ¿Qué inconvenientes tiene TimesFM?
- Los pesos de TimesFM 3.0 son solo para uso no comercial y fuera de producción; clasificaciones de benchmarks autodeclaradas, como rangos medios sin puntuaciones; la 3.0 de BigQuery está en Preview con un contexto de 2.048 puntos; no es un producto con soporte oficial de Google; el soporte son los issues de GitHub.
- ¿Para quién es TimesFM?
- Analistas y equipos de datos que necesitan previsiones decentes en muchas series rápidamente y que pueden conformarse con TimesFM 2.5 o ya trabajan en BigQuery.
- ¿Cuánto cuesta TimesFM para un equipo o en producción?
- Autoalojarlo solo cuesta cómputo; los modelos de 200M y 330M caben en una GPU o un portátil. En BigQuery, AI.FORECAST se factura a tarifas de BigQuery ML, y la 3.0 pasa a precios por tokens desde el 1 de diciembre de 2026; los precios por token no aparecen en la documentación que leímos.
- ¿Es TimesFM seguro para los datos de la empresa?
- La inferencia autoalojada se ejecuta en local y no envía nada a Google. El código y los pesos hasta la 2.5 son Apache 2.0; los pesos de la 3.0 están bajo la licencia no comercial de TimesFM. El uso en BigQuery se rige por los términos de Google Cloud, que permiten el uso comercial.
- ¿Cuáles son las mejores alternativas a TimesFM?
- Las alternativas más cercanas que hemos analizado son Kronos.
Respuestas comprobadas el 14 nov 2026.
¿Desarrollas TimesFM? Muestra esta nota en tu web
