Google Research udostępnił TimesFM-3, model prognozujący szeregi czasowe, który przewiduje przyszłą sprzedaż na podstawie danych historycznych, powiązanych produktów, ruchu w sklepie, prognozy pogody i zaplanowanych promocji. Model ma 330 mln parametrów, według Google zajmuje pierwsze miejsce w trzech benchmarkach prognostycznych, a jego wagi udostępniono na licencji, która zakazuje używania komercyjnego i produkcyjnego.
- Google Research udostępnił TimesFM-3 – model o 330 mln parametrów prognozujący wiele powiązanych szeregów czasowych jednocześnie, który uwzględnia zmienne zewnętrzne takie jak zaplanowane promocje, ruch w sklepie czy prognoza pogody, i przewiduje około 20 proc. wyższy wolumen sprzedaży w dniach rabatowych.
- Wagi TimesFM-3 objęto licencją TimesFM Non-Commercial License v1.0, która zakazuje użycia komercyjnego i produkcyjnego – w odróżnieniu od wcześniejszych wersji rodziny (do TimesFM-2.5 włącznie), których wagi były dostępne na licencji Apache-2.0.
- Według Google TimesFM-3 zajmuje pierwsze miejsce na trzech benchmarkach prognostycznych (Gift-Eval, FEV-Bench i Time), wyprzedzając m.in. Chronos-2 od Amazona, jednak wszystkie wyniki benchmarkowe pochodzą od samego Google i nie zostały jeszcze zweryfikowane niezależnie.
Premierę opisali Ayush Jain i Rajat Sen, Research Scientists w Google Research, we wpisie na firmowym blogu opublikowanym 31 sierpnia 2026 roku. Zespół Google Research zapowiedział model także na swoim profilu na Twitterze.
Introducing TimesFM-3, a state-of-the-art time series foundation model that enables accurate multivariate time series forecasting in a single forward pass, significantly outperforming other forecasting models across major benchmarks.
More on the blog →https://t.co/uSlnIdUJ4Q pic.twitter.com/NfbONpFYDz
— Google Research (@GoogleResearch) August 31, 2026
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Model uwzględnia zaplanowane promocje i przewiduje około 20 proc. wyższą sprzedaż w dniach rabatów
Największa zmiana w TimesFM-3 polega na tym, że model prognozuje wiele powiązanych ze sobą szeregów czasowych naraz, a nie pojedynczy ciąg liczb. Wszystkie wcześniejsze wersje rodziny TimesFM, z TimesFM-2.5 z września 2025 roku włącznie, potrafiły przetwarzać tylko jeden szereg czasowy w danym momencie.
Google tłumaczy różnicę na przykładzie sieci handlowej prognozującej sprzedaż lodów. Model jednowymiarowy patrzy wyłącznie na historię sprzedaży i przedłuża w przyszłość zaobserwowany rytm tygodniowy. TimesFM-3 dostaje dodatkowo harmonogram zaplanowanych promocji, uczy się z danych historycznych, o ile rabaty podnosiły sprzedaż, i przewiduje około 20 proc. wyższy wolumen w każdym dniu promocyjnym.
TimesFM-3 obsługuje trzy rodzaje danych dodatkowych:
- wiele szeregów docelowych jednocześnie, na przykład sprzedaż kilku marek lodów naraz, z prognozą punktową i kwantylową dla każdego z nich,
- zmienne znane tylko historycznie (past covariates), na przykład dotychczasowy ruch klientów w sklepie,
- zmienne znane również dla przyszłych okresów (past-future covariates), na przykład zaplanowane kampanie promocyjne, święta albo prognozę pogody.
Model działa w trybie zero-shot, czyli prognozuje nowe zbiory danych bez douczania na konkretnym zadaniu. Zamiast jednej wartości na krok czasowy TimesFM-3 zwraca dziewięć kwantyli, od 10. do 90. percentyla, co daje obraz niepewności prognozy, a nie tylko pojedynczy punkt.
Wagi TimesFM-3 objęto licencją niekomercyjną, a integracja z BigQuery dopiero powstaje
Sprawdziłem warunki udostępnienia modelu i to jest miejsce, w którym komunikat marketingowy rozjeżdża się z praktyką wdrożeniową. Kod źródłowy TimesFM w repozytorium na GitHubie pozostaje na licencji Apache-2.0, a wagi modeli do wersji 2.5 również. Wagi TimesFM-3 udostępniono natomiast na osobnej licencji TimesFM Non-Commercial License v1.0, która ogranicza ich wykorzystanie do zastosowań niekomercyjnych i nieprodukcyjnych. Google zaznacza przy tym, że dotyczy to domyślnych wag wstępnie wytrenowanych.
Dla firmy, która chciałaby wpiąć TimesFM-3 w planowanie zapasów albo harmonogram promocji, oznacza to na dziś tyle, że może model przetestować, ale nie może go uruchomić w środowisku produkcyjnym. Google zapowiada integrację TimesFM-3 z BigQuery w ciągu najbliższych tygodni, bez podania daty. Obecnie w BigQuery, przez polecenie AI.FORECAST, dostępny jest TimesFM-2.5 i wyłącznie w trybie jednowymiarowym.
Rodzina TimesFM od 2024 roku była projektem otwartym i to właśnie otwartość zbudowała jej pozycję. Wersja 3.0 wygląda na moment, w którym Google zdecydował się ten model zmienić i wypuszcza najlepszy technicznie wariant z hamulcem licencyjnym, zostawiając komercyjną ścieżkę dla płatnego BigQuery.
Można to zrozumieć biznesowo. Ale dla polskiego zespołu analitycznego, który chciałby zbudować własny system prognozowania popytu bez wiązania się z konkretną chmurą, sytuacja jest prosta: TimesFM-3 na razie odpada, a Chronos-2 od Amazona, dostępny szerzej, staje się opcją domyślną.
Druga rzecz, o której trzeba pamiętać przy czytaniu wyników. Wszystkie liczby benchmarkowe pochodzą od Google i dotyczą testów przeprowadzonych przez Google. Benchmarki są publiczne, więc niezależna weryfikacja jest możliwa. Poczekałbym jednak na wyniki spoza laboratorium, zanim ktokolwiek podejmie na tej podstawie decyzję o zmianie stosu prognostycznego.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
TimesFM-3 generuje całą prognozę w jednym przebiegu zamiast składać ją blok po bloku
Architektura TimesFM-3 opiera się na transformerze w wariancie decoder-only, tak jak wcześniejsze wersje rodziny. Model grupuje kolejne punkty pomiarowe w patche po 32 kroki czasowe i normalizuje każdy szereg osobno, żeby dane o zupełnie różnej skali dało się porównywać. Karta modelu na Hugging Face podaje 20 warstw transformera, wymiar 1280 i 16 głowic uwagi.
Dane przepływają przez dwa naprzemienne mechanizmy uwagi. Uwaga czasowa jest ściśle przyczynowa, czyli token może patrzeć wyłącznie na wcześniejsze tokeny wewnątrz własnego szeregu, co zapobiega wyciekowi informacji z przyszłości. Uwaga między szeregami działa w pionie i pozwala modelowi porównać wszystkie zmienne w tym samym punkcie czasowym, dzięki czemu uczy się zależności typu „rabat na jeden produkt podbija sprzedaż innego”.
Zmieniła się też procedura generowania prognozy. Wcześniejsze wersje TimesFM budowały przyszłość blok po bloku, co według Google zwiększało opóźnienie, koszt obliczeniowy i kumulowało błędy, bo każda kolejna prognoza opierała się na poprzedniej. TimesFM-3 wykorzystuje technikę Contiguous Patch Masking: oznacza cały przyszły horyzont jako puste miejsca i wypełnia je jednocześnie w jednym przebiegu. Zmienne znane dla przyszłości pozostają przy tym widoczne dla modelu.
Zbiór treningowy obejmuje ponad bilion punktów czasowych. Google wymienia korpus GiftEvalPretrain z wyłączeniem zbiorów pokrywających się z fev-bench, statystyki odsłon Wikipedii z odcięciem na listopadzie 2023 roku, najpopularniejsze zapytania z Google Trends z odcięciem na końcu 2022 roku oraz dane syntetyczne i augmentowane.
W trzech benchmarkach TimesFM-3 wyprzedza Chronos-2 od Amazona i własnego poprzednika
Google przetestował model na trzech publicznych benchmarkach prognostycznych: Gift-Eval, FEV-Bench i Time. Według firmy TimesFM-3 zajmuje na wszystkich trzech pierwsze miejsce wśród wstępnie wytrenowanych modeli fundamentowych, zarówno w metrykach prognozy punktowej, jak i probabilistycznej. Nawet w trybie jednowymiarowym, bez żadnych zmiennych dodatkowych, model dorównuje konkurencji lub ją wyprzedza, a włączenie trybu wielowymiarowego powiększa przewagę.
Głównym rywalem jest Chronos-2 od Amazona, udostępniony 20 października 2025 roku. To model o 120 mln parametrów w architekturze encoder-only, inspirowanej enkoderem T5, który również obsługuje prognozowanie jednowymiarowe, wielowymiarowe i ze zmiennymi zewnętrznymi w trybie zero-shot. W zestawieniach Google Chronos-2 wypada blisko trybu jednowymiarowego TimesFM-3, ale wyraźnie ustępuje pełnej wersji wielowymiarowej. W porównaniach pojawia się też rodzina Toto 2.0 oraz poprzednik, TimesFM-2.5.
Skala zainteresowania takimi modelami jest już spora. Amazon podaje, że modele Chronos i Chronos-Bolt pobrano z Hugging Face łącznie ponad 600 mln razy. Karta modelu TimesFM-3 na Hugging Face w chwili pisania tego tekstu wskazuje 784 262 pobrania w ciągu ostatniego miesiąca, mimo ograniczeń licencyjnych.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polski handel wdraża AI najszybciej ze wszystkich branż, a prognozowanie popytu jest na liście priorytetów
Prognozowanie popytu to obszar, w którym polskie firmy handlowe deklarują największą gotowość do sięgania po AI. Z badania „Jak polskie firmy wdrażają AI”, zrealizowanego przez CubeResearch na zlecenie EY na próbie 499 polskich przedsiębiorstw w ostatnim kwartale 2025 roku, wynika, że w 2025 roku 56 proc. średnich i dużych firm handlowych było w trakcie wdrażania sztucznej inteligencji. To najwyższy wynik spośród wszystkich badanych sektorów, czyli handlu, usług, przemysłu, energetyki i finansów. Kolejne 22 proc. firm handlowych zakończyło pierwsze wdrożenia, o 12 punktów procentowych więcej rok do roku.
Efekty, które wskazują polscy detaliści, dotyczą przede wszystkim przychodów. Wzrost przychodów po wdrożeniu AI zadeklarowało 70 proc. firm z sektora handlu, poprawę jakości usług 65 proc., a zmniejszenie kosztów działania 49 proc. Nowe wdrożenia w ciągu 18 miesięcy planuje 82 proc. badanych firm handlowych.
„Detaliczni sprzedawcy stoją przed ogromnymi wyzwaniami, geopolityka powoduje niepewność gospodarczą, której efektem może być ograniczenie konsumpcji. Tradycyjne strategie rozwoju tracą swoją skuteczność. AI oferuje najnowocześniejsze narzędzia analityczne i prognostyczne, które pomagają handlowi sprawniej reagować na zmiany rynkowe”, powiedział Grzegorz Przytuła, Partner EY-Parthenon, cytowany w komunikacie EY Polska z 21 kwietnia 2026 roku.
Bariera jest bardziej przyziemna niż licencja Google. Ponad połowa firm handlowych w badaniu EY deklarowała, że przynajmniej część danych ma przygotowaną pod AI, ale 28 proc. w ogóle nie wiedziało, w jakim stanie są ich dane wyjściowe. Model prognozujący na podstawie promocji i pogody wymaga uporządkowanej historii sprzedaży, harmonogramu akcji promocyjnych i danych o ruchu w sklepach w jednym miejscu. Bez tego różnica między TimesFM-3 a zwykłą sezonowością liczoną w arkuszu będzie żadna.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym wpisu Google Research z dnia 31.08.2026, karty modelu na Hugging Face oraz repozytorium TimesFM na GitHubie. Dane o polskim rynku pochodzą z informacji prasowej EY Polska z dnia 21.04.2026. Do weryfikacji danych o modelach konkurencyjnych wykorzystano materiały Amazon Science i Hugging Face oraz publikację THE DECODER.
Cytat Grzegorza Przytuły, Partnera EY-Parthenon, pochodzi z oryginalnego polskojęzycznego komunikatu EY Polska.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o TimesFM-3, warunkach licencyjnych modelu i jego integracji z BigQuery.
