Google Research liberó TimesFM-3, un modelo que pronostica series de tiempo como las ventas diarias de un local y que apoya la predicción en datos relacionados y en eventos futuros ya conocidos. El anuncio lo cubrió The Decoder el 12 de septiembre de 2026. El modelo tiene 330 millones de parámetros y fue entrenado con series reales y sintéticas que suman más de un billón de puntos de datos, según Google.
Para explicarlo, Google usa una cadena de retail que intenta predecir la venta de helados. Un buen pronóstico ahí no depende solo del histórico de helados. También pesan los productos asociados, como los conos de galleta o el sirope, el flujo de gente de las semanas anteriores, el clima, las campañas de descuento y los feriados.
¿Qué tipos de datos acepta el modelo?
TimesFM-3 maneja tres clases de información complementaria.
| Tipo de dato | Ejemplo del caso de Google |
|---|---|
| Variables relacionadas que predice a la vez | los distintos sabores de helado |
| Factores conocidos solo del pasado | el flujo histórico de gente en la tienda |
| Eventos futuros conocidos | el calendario de descuentos y el pronóstico del clima |
En lugar de una estimación puntual, el modelo entrega nueve valores por cada paso de tiempo, con lo que expresa el rango y la incertidumbre de cada predicción. Funciona en modo cero disparos, o sea que no necesita entrenamiento adicional para una tarea nueva.
La arquitectura base sigue siendo un Transformer, igual que en las versiones anteriores. Agrupa 32 puntos consecutivos en un mismo parche y normaliza cada serie a una escala común, de modo que mediciones de magnitudes muy distintas se puedan comparar directo. El procesamiento alterna dos direcciones. Sobre el eje del tiempo busca patrones dentro de una sola serie y usa únicamente valores pasados, para no filtrar información del futuro. Entre series compara todas las variables en un mismo instante y aprende cómo se relacionan, que es lo que le permite captar el efecto de un descuento en un producto sobre la venta de otro.
¿Por qué llena el futuro de una sola pasada?
Las versiones previas predecían el futuro por bloques. Google dice que ese camino era lento, pesado en cómputo y que dejaba acumular el error, porque cada predicción se apoyaba en la anterior. TimesFM-3 marca todos los pasos futuros como espacios en blanco y los completa en una sola pasada.
En el ejemplo de los helados, un modelo que solo conoce las ventas pasadas repite el patrón semanal de siempre y queda ciego a las promociones planificadas. Cuando TimesFM-3 recibe el calendario de descuentos, aprende del histórico cuánto levantan las promociones y espera alrededor de 20% más unidades en cada día de promoción.
¿Dónde queda frente a Chronos-2?
En Gift-Eval, FEV-Bench y Time, TimesFM-3 quedó primero entre todos los modelos de pronóstico preentrenados, tanto en precisión puntual como en calibración de la incertidumbre, según Google. Compite con Chronos-2 de Amazon, con la familia Toto-2.0 y con el propio TimesFM-2.5 de Google. Incluso limitado a una sola variable, iguala o supera al resto, y la distancia se abre cuando recibe más datos. Chronos-2 se acerca al modo univariable de TimesFM-3 y queda bastante atrás de la versión completa.
¿Dónde se puede usar?
El modelo está en GitHub y en Hugging Face, y Google planea sumarlo a BigQuery en las próximas semanas. Ahí hoy el pronóstico de una sola variable lo atiende TimesFM-2.5 con el comando AI.FORECAST.
Desde que la familia partió en 2024, Google dice que se ha usado en retail, finanzas, manufactura, salud y ciencias. Todas las versiones hasta TimesFM-2.5, publicada en septiembre de 2025, procesaban una sola serie a la vez, así que el soporte multivariable es el cambio grande de esta entrega.
Google también trabaja en modelos de pronóstico fuera de las series de tiempo. A comienzos de agosto, Google DeepMind publicó WeatherNext Cyclones, un sistema de código abierto para ciclones tropicales que predice la trayectoria y la intensidad de las tormentas cerca de un día más adelante que los modelos operativos de referencia.
