Google Research ha publicado Timesfm-2.5un modelo de 200m-parameter, solo decodificador Longitud de contexto de 16k y nativo pronóstico probabilístico apoyo. El nuevo punto de control está en vivo en la cara abrazada. En RegalosTimesfm-2.5 ahora Cubra la tabla de clasificación a través de las métricas de precisión (MASE, CRPS) entre los modelos de base de cero disparos.
¿Cuál es el pronóstico de la serie temporal?
El pronóstico de series de tiempo es la práctica de analizar los puntos de datos secuenciales recopilados con el tiempo para identificar patrones y predecir valores futuros. Soltera aplicaciones críticas en todas las industrias, incluido el pronóstico de la demanda de productos en el comercio minorista, el monitoreo del clima y las tendencias de precipitación, y la optimización de sistemas a gran escala, como cadenas de suministro y redes de energía. Al capturar dependencias temporales y variaciones estacionales, el pronóstico de series de tiempo permite la toma de decisiones basada en datos en entornos dinámicos.
Que cambió en Timesfm-2.5 vs v2.0?
- Parámetros: 200 m (por debajo de 500m en 2.0).
- Contexto máximo: 16,384 Puntos (frente a 2,048).
- Quantiles: Opcional Cabeza cuantil de 30m-Param Para los pronósticos de cuantil continuo hasta 1k horizonte.
- Entradas: Sin indicador de “frecuencia” requerido; Nuevas banderas de inferencia (invarianza de flip, inferencia de positividad, solución de cruce de cuantil).
- Hoja de ruta: Próximo Lino implementación para una inferencia más rápida; covariables apoyo programado para regresar; Docs se está expandiendo.
¿Por qué importa un contexto más largo?
16k Los puntos históricos permiten un solo pase delantero para capturar la estructura múltiple, las roturas del régimen y los componentes de baja frecuencia sin mosaico o costuras jerárquicas. En la práctica, eso reduce la heurística previa al procesamiento y mejora la estabilidad de los dominios donde el contexto >> horizonte (por ejemplo, carga de energía, demanda minorista). El contexto más largo es un cambio de diseño central anotado explícitamente para 2.5.
¿Cuál es el contexto de investigación?
Times de tesis central de TimesfmUn modelo de base solo para el pronóstico—Bearon se introdujo en el artículo ICML 2024 y el blog de investigación de Google. Gift-Eval (Salesforce) surgió para estandarizar la evaluación entre dominios, frecuencias, longitudes de horizonte y regímenes univariados/multivariados, con una clasificación pública alojada en la cara abrazada.
Control de llave
- Modelo más pequeño y más rápido: Timesfm-2.5 corre con Parámetros de 200 m (mitad del tamaño de 2.0) mientras mejora la precisión.
- Contexto más largo: Soporte Longitud de entrada de 16khabilitando pronósticos con una cobertura histórica más profunda.
- Líder de referencia: Ahora rangos #1 Entre modelos de base cero-shot en regalos-eval para ambos Mase (precisión del punto) y CRPS (precisión probabilística).
- Preparado para la producción: El diseño eficiente y el soporte de pronóstico de cuantiles lo hacen adecuado para implementaciones del mundo real en todas las industrias.
- Amplia disponibilidad: El modelo es Vivir en la cara abrazada.
Resumen
TimesFM-2.5 muestra que los modelos de base para el pronóstico están pasando más allá de la prueba de concepto a herramientas prácticas listas para la producción. Al cortar los parámetros por la mitad mientras se extiende la longitud del contexto y el eval de regalo liderando a través de la precisión de punto y probabilística, marca un cambio de paso en la eficiencia y la capacidad. Con el abrazo de acceso facial ya vivo y la integración de BigQuery/Model Garden en el camino, el modelo está posicionado para acelerar la adopción de la pronóstico de series de tiempo de cero disparos en tuberías del mundo real.
Mira el Tarjeta modelo (HF), Repositorio, Punto de referencia y Papel. No dude en ver nuestro Página de Github para tutoriales, códigos y cuadernos. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro Subreddit de 100k+ ml y suscribirse a Nuestro boletín.
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias en Ciencias de Datos de la Universidad de Padova. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca por transformar conjuntos de datos complejos en ideas procesables.