Qu’est-ce que TimesFM ?
TimesFM (Time Series Foundation Model) est un Transformer à décodeur seul de Google Research qui prévoit des séries numériques en zero-shot : vous lui passez les valeurs passées et il renvoie une prévision et neuf quantiles, sans ajuster de modèle par série. L'article d'origine a été présenté à ICML 2024. Le dépôt contient le code, des exemples, une recette de fine-tuning LoRA et un fichier de skill pour agents, avec des backends PyTorch, Flax et MLX pour Apple silicon.
TimesFM 3.0, publié fin août 2026, compte 330 millions de paramètres et ajoute la prévision multivariée et des covariables connues seulement dans le passé ou aussi dans le futur. Selon le blog de Google, il a été entraîné sur plus de 1 000 milliards de points temporels et se classe premier parmi les modèles de fondation sur GIFT-Eval, fev-bench et TIME. TimesFM 2.5, de septembre 2025, est un modèle de 200M avec un contexte de 16k.
Les licences varient selon la version. Le code et les poids jusqu'à la 2.5 sont sous Apache 2.0 ; les poids de la 3.0 portent une licence non commerciale TimesFM qui interdit l'usage commercial ou en production des copies téléchargées. L'usage commercial de la 3.0 passe par Google Cloud, surtout par la fonction AI.FORECAST de BigQuery. Le dépôt compte environ 35 500 étoiles et le dernier commit date du 13 novembre 2026.
TimesFM vaut-il le coup ?
TimesFM fait d'une prévision crédible l'étape la moins chère d'un projet de demande ou de capacité, et la licence de sa version la plus récente décide de l'usage que vous pouvez en faire. Un modèle zero-shot lit une série qu'il n'a jamais vue et prédit les valeurs suivantes sans entraînement par série, ce qui remplace des semaines de réglage d'ARIMA ou de gradient boosting sur des milliers de produits par un seul appel groupé.
La version 3.0 comble l'écart qui tenait les précédentes à l'écart de la planification sérieuse. Jusqu'à la 2.5, TimesFM prévoyait une série à partir de son seul historique ; la 3.0 traite plusieurs séries liées à la fois et accepte des covariables comme un calendrier de promotions. Le blog de Google montre un exemple fictif de glaces où un calendrier de promotions connu relève la prévision d'environ 20% les jours de promotion. Les classements de benchmarks viennent de Google, sous forme de rangs moyens face à Chronos-2, Toto 2.0 et TimesFM 2.5, et le blog donne des graphiques plutôt que des scores.
Le hic : les poids de la 3.0 sur Hugging Face sont sous licence pour un usage non commercial, hors production. Une entreprise qui les télécharge pour prévoir ses propres stocks sort de la licence. La voie commerciale est AI.FORECAST dans BigQuery, où la 3.0 est encore en Preview, plafonne le contexte à 2 048 points contre 15 360 en auto-hébergement et limite l'horizon à 1 024 points. TimesFM 2.5 reste sous Apache 2.0 et c'est le modèle par défaut de BigQuery, d'où ses quelque 1,7 million de téléchargements par mois contre environ 479 000 pour la 3.0.
Le dépôt est actif et bien tenu pour un projet de recherche : les versions v2.0.1, v2.0.2 et v3.0.0 sont sorties entre juin et août 2026, une suite de tests a été ajoutée en avril, et le README annonce 666 séries par seconde pour le backend MLX sur un M4 Max. Le README précise aussi que cette version ouverte n'est pas un produit officiellement pris en charge par Google ; le support passe par les issues GitHub.
Notre avis : la 2.5 est la référence gratuite que toute équipe de prévision devrait battre avant de construire du sur-mesure, et la 3.0 un produit Google Cloud accompagné d'une préversion de recherche.
Là où il fait la différence
Un planificateur de la demande chez un distributeur de 20 000 références
Obtenir une prévision de base hebdomadaire pour chaque produit sans équipe de modélisation
Passer l'historique des ventes par lots dans TimesFM 2.5 sur un GPU avec predict_batch et utiliser les quantiles pour le stock de sécurité. Apache 2.0, donc la production est permise ; le coût, ce sont les heures de GPU.
Une analyste dont les ventes sont déjà dans BigQuery
Prévoir le chiffre d'affaires par région avec le calendrier marketing en covariable
Appeler AI.FORECAST avec TimesFM 3.0 comme modèle et les indicateurs de promotion comme covariables futures, dans une seule requête SQL. Facturé aux tarifs BigQuery, au token pour la 3.0 à partir du 1er décembre 2026.
Une équipe SRE qui gère quelques centaines de services
Repérer une semaine à l'avance les manques de capacité à partir des métriques CPU et de requêtes
Faire tourner TimesFM 2.5 sur les métriques horaires de chaque service et alerter quand la prévision du 90e centile dépasse la capacité. Gratuit en auto-hébergement ; un petit GPU ou un portable Apple silicon suffit.
Avant de vous engager
- Mise en route
- pip install timesfm[torch] (ou timesfm[mlx] sur Apple silicon) sous Python 3.10+, puis charger google/timesfm-3.0-pytorch ou le checkpoint 2.5 depuis Hugging Face et appeler predict_batch avec des tableaux NumPy. La première prévision prend quelques minutes.
- Intégrations
- Checkpoints sur Hugging Face ; backends PyTorch, Flax et MLX ; Transformers et PEFT pour le fine-tuning LoRA ; BigQuery ML AI.FORECAST, Connected Sheets et Vertex AI Model Garden sur Google Cloud ; un AGENTS.md et un SKILL.md pour les agents de code.
- Données et confidentialité
- L'inférence auto-hébergée tourne en local et n'envoie rien à Google. Code et poids jusqu'à la 2.5 sous Apache 2.0 ; poids de la 3.0 sous la licence non commerciale TimesFM. L'usage dans BigQuery relève des conditions de Google Cloud, qui autorisent l'usage commercial.
- Coût à grande échelle
- L'auto-hébergement ne coûte que le calcul ; les modèles de 200M et 330M tiennent sur un GPU ou un portable. Dans BigQuery, AI.FORECAST est facturé aux tarifs BigQuery ML, et la 3.0 passe à une tarification au token à partir du 1er décembre 2026 ; les prix au token ne figurent pas dans la documentation que nous avons lue.
- Limites
- BigQuery limite la 3.0 à un contexte de 2 048 points et un horizon de 1 024 (la 2.5 permet jusqu'à 15 360 et 10 000) ; chaque série doit avoir au moins 3 points. La 3.0 auto-hébergée tronque les contextes au-delà de 15 360 points. Environ 240 issues et pull requests ouvertes.
Les points forts
- Prévisions ponctuelles et par quantiles en zero-shot, sans entraînement par série
- La version 3.0 ajoute les séries multivariées et les covariables passées ou futures
- Les versions jusqu'à la 2.5 sont sous Apache 2.0, code et poids
- Fonctionne sous PyTorch, Flax ou MLX, et dans BigQuery et Google Sheets
Les points faibles
- Poids de TimesFM 3.0 réservés à un usage non commercial, hors production
- Classements de benchmarks auto-déclarés, en rangs moyens sans scores
- La 3.0 de BigQuery est en Preview avec un contexte de 2 048 points
- Pas un produit officiellement pris en charge par Google ; support via les issues GitHub
Idéal pour
Les analystes et équipes data qui ont besoin vite de prévisions correctes sur de nombreuses séries, et qui peuvent se contenter de TimesFM 2.5 ou travaillent déjà sur BigQuery.
Alternatives à TimesFM
TimesFM : questions fréquentes
- TimesFM vaut-il le coup ?
- Un modèle de prévision qui domine les classements selon le décompte de Google lui-même, avec un piège : les poids de la 3.0 sont réservés à la recherche, donc en production on reste sur la 2.5 sous licence Apache ou on paie Google via BigQuery. Nous lui donnons 4.3 sur 5.
- Combien coûte TimesFM ?
- Le code et les poids jusqu'à la 2.5 sont gratuits sous Apache 2.0. Les poids de TimesFM 3.0 sont gratuits pour un usage non commercial seulement ; l'usage commercial passe par BigQuery ML, facturé aux tarifs BigQuery, avec une tarification au token pour la 3.0 à partir du 1er décembre 2026.
- Quels sont les inconvénients de TimesFM ?
- Poids de TimesFM 3.0 réservés à un usage non commercial, hors production; classements de benchmarks auto-déclarés, en rangs moyens sans scores; la 3.0 de BigQuery est en Preview avec un contexte de 2 048 points; pas un produit officiellement pris en charge par Google ; support via les issues GitHub.
- À qui s’adresse TimesFM ?
- Les analystes et équipes data qui ont besoin vite de prévisions correctes sur de nombreuses séries, et qui peuvent se contenter de TimesFM 2.5 ou travaillent déjà sur BigQuery.
- Combien coûte TimesFM pour une équipe ou en production ?
- L'auto-hébergement ne coûte que le calcul ; les modèles de 200M et 330M tiennent sur un GPU ou un portable. Dans BigQuery, AI.FORECAST est facturé aux tarifs BigQuery ML, et la 3.0 passe à une tarification au token à partir du 1er décembre 2026 ; les prix au token ne figurent pas dans la documentation que nous avons lue.
- TimesFM est-il sûr pour les données de l’entreprise ?
- L'inférence auto-hébergée tourne en local et n'envoie rien à Google. Code et poids jusqu'à la 2.5 sous Apache 2.0 ; poids de la 3.0 sous la licence non commerciale TimesFM. L'usage dans BigQuery relève des conditions de Google Cloud, qui autorisent l'usage commercial.
- Quelles sont les meilleures alternatives à TimesFM ?
- Les alternatives les plus proches que nous avons testées sont Kronos.
Réponses vérifiées le 14 nov. 2026.
Vous éditez TimesFM ? Affichez cette note sur votre site
