O que é TimesFM?
TimesFM (Time Series Foundation Model) é um Transformer só de decodificador do Google Research que prevê séries numéricas em zero-shot: você passa os valores passados e ele devolve uma previsão e nove quantis, sem ajustar um modelo por série. O artigo original saiu na ICML 2024. O repositório traz o código, exemplos, uma receita de fine-tuning com LoRA e um arquivo de skill para agentes, com backends PyTorch, Flax e MLX para Apple silicon.
O TimesFM 3.0, lançado no fim de agosto de 2026, tem 330 milhões de parâmetros e adiciona previsão multivariada e covariáveis conhecidas só no passado ou também no futuro. O blog do Google diz que ele foi treinado com mais de 1 trilhão de pontos temporais e fica em primeiro entre os modelos de fundação no GIFT-Eval, no fev-bench e no TIME. O TimesFM 2.5, de setembro de 2025, é um modelo de 200M com contexto de 16k.
As licenças mudam conforme a versão. Código e pesos até a 2.5 são Apache 2.0; os pesos da 3.0 têm uma licença não comercial do TimesFM que proíbe uso comercial ou em produção de cópias baixadas. O uso comercial da 3.0 passa pelo Google Cloud, principalmente pela função AI.FORECAST do BigQuery. O repositório tem cerca de 35.500 estrelas e o último commit é de 13 de novembro de 2026.
TimesFM vale a pena?
O TimesFM torna uma previsão confiável a etapa mais barata de um projeto de demanda ou de capacidade, e a licença da versão mais nova decide como você pode usá-la. Um modelo zero-shot lê uma série que nunca viu e prevê os próximos valores sem treino por série, o que troca semanas de ajuste de ARIMA ou de gradient boosting em milhares de produtos por uma única chamada em lote.
A versão 3.0 fecha a lacuna que deixava as anteriores fora do planejamento sério. Até a 2.5, o TimesFM previa uma série a partir do próprio histórico; a 3.0 trata várias séries relacionadas de uma vez e aceita covariáveis como um calendário de promoções. O blog do Google mostra um exemplo fictício de sorvete em que um calendário de promoções conhecido eleva a previsão em cerca de 20% nos dias de promoção. Os rankings de benchmark são do próprio Google, como posições médias contra Chronos-2, Toto 2.0 e TimesFM 2.5, e o blog traz gráficos em vez de pontuações.
O porém: os pesos da 3.0 no Hugging Face são licenciados para uso não comercial e fora de produção. Uma empresa que os baixa para prever o próprio estoque fica fora da licença. O caminho comercial é o AI.FORECAST do BigQuery, onde a 3.0 ainda está marcada como Preview, limita o contexto a 2.048 pontos contra 15.360 no auto-hospedado e limita o horizonte a 1.024 pontos. O TimesFM 2.5 continua Apache 2.0 e é o padrão no BigQuery, por isso ainda soma cerca de 1,7 milhão de downloads por mês contra uns 479.000 da 3.0.
O repositório é ativo e bem cuidado para um projeto de pesquisa: as versões v2.0.1, v2.0.2 e v3.0.0 saíram entre junho e agosto de 2026, uma suíte de testes entrou em abril e o README atribui ao backend MLX 666 séries por segundo num M4 Max. O README também diz que esta versão aberta não é um produto com suporte oficial do Google, então o suporte são as issues do GitHub.
Nossa opinião: trate a 2.5 como a referência gratuita que toda equipe de previsão deveria superar antes de construir algo sob medida, e a 3.0 como um produto do Google Cloud com uma prévia de pesquisa ao lado.
Onde ele se destaca
Um planejador de demanda num varejista com 20.000 SKUs
Ter uma previsão semanal de base para cada produto sem uma equipe de modelagem
Passe o histórico de vendas em lote pelo TimesFM 2.5 numa GPU com predict_batch e use os quantis para o estoque de segurança. É Apache 2.0, então o uso em produção é permitido; o custo são as horas de GPU.
Uma analista de dados cujas vendas já estão no BigQuery
Prever receita por região com o calendário de marketing como covariável
Chame AI.FORECAST com o modelo TimesFM 3.0 e as marcações de promoção como covariáveis futuras, numa única consulta SQL. Cobrado pelas tarifas do BigQuery, com preço por tokens para a 3.0 a partir de 1 de dezembro de 2026.
Uma equipe de SRE com algumas centenas de serviços
Detectar falta de capacidade com uma semana de antecedência a partir de métricas de CPU e requisições
Rode o TimesFM 2.5 sobre as métricas horárias de cada serviço e dispare um alerta quando a previsão do percentil 90 passar da capacidade. Auto-hospedar é grátis; uma GPU pequena ou um notebook com Apple silicon dá conta.
Antes de decidir
- Configuração
- pip install timesfm[torch] (ou timesfm[mlx] no Apple silicon) com Python 3.10+, depois carregue google/timesfm-3.0-pytorch ou o checkpoint 2.5 do Hugging Face e chame predict_batch com arrays NumPy. A primeira previsão leva minutos.
- Integrações
- Checkpoints no Hugging Face; backends PyTorch, Flax e MLX; Transformers e PEFT para fine-tuning com LoRA; BigQuery ML AI.FORECAST, Connected Sheets e Vertex AI Model Garden no Google Cloud; um AGENTS.md e um SKILL.md para agentes de código.
- Dados e privacidade
- A inferência auto-hospedada roda localmente e não envia nada ao Google. Código e pesos até a 2.5 são Apache 2.0; os pesos da 3.0 estão sob a licença não comercial do TimesFM. O uso no BigQuery segue os termos do Google Cloud, que permitem uso comercial.
- Custo em escala
- Auto-hospedar custa só computação; os modelos de 200M e 330M cabem numa GPU ou num notebook. No BigQuery, o AI.FORECAST é cobrado pelas tarifas do BigQuery ML, e a 3.0 passa a preço por tokens a partir de 1 de dezembro de 2026; os preços por token não estão na documentação que lemos.
- Limites
- O BigQuery limita a 3.0 a um contexto de 2.048 pontos e um horizonte de 1.024 (a 2.5 permite até 15.360 e 10.000); cada série precisa de pelo menos 3 pontos. A 3.0 auto-hospedada corta contextos acima de 15.360 pontos. Cerca de 240 issues e pull requests abertos.
O que é bom
- Previsões pontuais e por quantis em zero-shot, sem treino por série
- A versão 3.0 adiciona séries multivariadas e covariáveis passadas ou futuras
- Versões até a 2.5 são Apache 2.0 em código e pesos
- Roda em PyTorch, Flax ou MLX, e dentro do BigQuery e do Google Sheets
O que não é
- Pesos do TimesFM 3.0 só para uso não comercial e fora de produção
- Rankings de benchmark autodeclarados, como posições médias sem pontuações
- A 3.0 do BigQuery está em Preview com contexto de 2.048 pontos
- Não é um produto com suporte oficial do Google; suporte via issues do GitHub
Ideal para
Analistas e equipes de dados que precisam de previsões razoáveis em muitas séries rapidamente e que podem ficar com o TimesFM 2.5 ou já trabalham no BigQuery.
Alternativas ao TimesFM
TimesFM: perguntas frequentes
- TimesFM vale a pena?
- Um modelo de previsão que lidera os rankings pela contagem do próprio Google, com uma armadilha: os pesos da 3.0 são só para pesquisa, então quem vai para produção fica na 2.5 com licença Apache ou paga o Google pelo BigQuery. Damos nota 4.3 de 5.
- Quanto custa TimesFM?
- Código e pesos até a 2.5 são gratuitos sob Apache 2.0. Os pesos do TimesFM 3.0 são gratuitos só para uso não comercial; o uso comercial passa pelo BigQuery ML, cobrado pelas tarifas do BigQuery, com preço por tokens para a 3.0 a partir de 1 de dezembro de 2026.
- Quais são as desvantagens de TimesFM?
- Pesos do TimesFM 3.0 só para uso não comercial e fora de produção; rankings de benchmark autodeclarados, como posições médias sem pontuações; a 3.0 do BigQuery está em Preview com contexto de 2.048 pontos; não é um produto com suporte oficial do Google; suporte via issues do GitHub.
- Para quem TimesFM é indicado?
- Analistas e equipes de dados que precisam de previsões razoáveis em muitas séries rapidamente e que podem ficar com o TimesFM 2.5 ou já trabalham no BigQuery.
- Quanto custa TimesFM para uma equipe ou em produção?
- Auto-hospedar custa só computação; os modelos de 200M e 330M cabem numa GPU ou num notebook. No BigQuery, o AI.FORECAST é cobrado pelas tarifas do BigQuery ML, e a 3.0 passa a preço por tokens a partir de 1 de dezembro de 2026; os preços por token não estão na documentação que lemos.
- TimesFM é seguro para dados da empresa?
- A inferência auto-hospedada roda localmente e não envia nada ao Google. Código e pesos até a 2.5 são Apache 2.0; os pesos da 3.0 estão sob a licença não comercial do TimesFM. O uso no BigQuery segue os termos do Google Cloud, que permitem uso comercial.
- Quais são as melhores alternativas ao TimesFM?
- As alternativas mais próximas que analisamos são Kronos.
Respostas verificadas em 14 de nov. de 2026.
Você faz o TimesFM? Mostre esta nota no seu site
