# TimesFM-3 공개 — 3.3억 파라미터 다변량 예측 모델

> Google Research가 8월 31일 공개한 시계열 파운데이션 모델입니다. 공변량 포함 다변량 예측을 한 번의 순전파로 처리하고 세 벤치마크 1위를 주장하지만, 가중치는 비상업 라이선스입니다.

- 출처 사이트: AI피셜 (https://aifficial.net/posts/timesfm-3-zero-shot-forecasting/)
- 발행: 2026-09-01
- 카테고리: 모델 · 태그: Google, 시계열, 오픈 모델, 예측, 모델 출시

## 핵심 답변

Google Research는 2026년 8월 31일 시계열 파운데이션 모델 TimesFM-3를 GitHub와 Hugging Face에 공개했습니다. 3억 3,000만 파라미터로 1조 개 넘는 시점 데이터를 학습했고, 여러 목표 변수와 과거·미래 공변량을 한 번의 순전파로 예측하며 Gift-Eval·FEV-Bench·TIME 세 벤치마크에서 사전학습 모델 중 1위를 주장합니다. 코드는 Apache-2.0이지만 가중치는 비상업 라이선스라 프로덕션 사용은 허용되지 않습니다.

## 요약

- TimesFM-3는 3억 3,000만 파라미터, 1조 개 넘는 시점의 실제·합성 데이터로 사전학습한 시계열 파운데이션 모델입니다.
- 이전 버전과 달리 여러 목표 변수, 과거 공변량, 과거·미래 동적 공변량을 기본 지원하며 Contiguous Patch Masking으로 한 번의 순전파에 예측을 끝냅니다.
- Google은 Gift-Eval, FEV-Bench, TIME 세 벤치마크에서 점 예측과 확률 예측 모두 사전학습 모델 중 1위라고 밝혔고, 비교 대상은 Chronos-2, Toto 2.0, TimesFM-2.5입니다.
- 코드는 Apache-2.0이지만 사전학습 가중치는 TimesFM 비상업 라이선스 v1.0이라 상업·프로덕션 사용이 금지됩니다. BigQuery 통합은 몇 주 안에 예정입니다.

## 핵심 사실

| 항목 | 값 |
|---|---|
| 발표일 | 2026-08-31 (Google Research 블로그, Ayush Jain·Rajat Sen) |
| 파라미터 | 3억 3,000만 (공식 블로그 기준) |
| 학습 데이터 | 1조 개 이상 시점 (실제 + 합성 시계열) |
| 확률 예측 | 9개 분위수 (10~90 백분위) |
| 컨텍스트 길이 | 최대 16k (GitHub README, 이전 2048) |
| 가중치 라이선스 | 비상업 v1.0 (코드는 Apache-2.0) |


## 무슨 일인가요

2026년 8월 31일, Google Research의 Ayush Jain과 Rajat Sen은 시계열 파운데이션 모델 **TimesFM-3**를 공개했습니다.  모델은 3억 3,000만 파라미터로, 실제와 합성 시계열을 합쳐 1조 개가 넘는 시점 데이터로 사전학습했습니다.  GitHub와 Hugging Face에서 바로 받을 수 있고, BigQuery 통합은 몇 주 안에 나올 예정입니다. 

핵심은 "제로샷 다변량"입니다. 이전 TimesFM은 하나의 시계열을 보고 다음 값을 맞히는 단변량 모델이었지만, TimesFM-3는 여러 목표 변수, 과거에만 알려진 공변량, 그리고 미래 값까지 알려진 동적 공변량(예: 예정된 프로모션, 휴일)을 과제별 튜닝 없이 한 번에 넣을 수 있습니다.  예측은 Contiguous Patch Masking이라는 방식으로 반복 생성 대신 한 번의 순전파에 끝나며, 10 백분위부터 90 백분위까지 9개 분위수를 함께 내놓아 확률 예측이 가능합니다. 





## 성능은 어떻게 주장하나요

Google은 Gift-Eval, FEV-Bench, TIME 세 벤치마크에서 "점 예측과 확률 예측 지표 모두에서 사전학습 파운데이션 모델 중 최상위"라고 밝혔고, 비교 대상으로 Chronos-2, Toto 2.0 계열, 자사 이전 모델 TimesFM-2.5를 들었습니다.  GitHub README는 FEV-Bench가 100개 과제, TIME이 98개 평가 과제로 구성되며 세 벤치마크 모두 파운데이션 모델 가운데 종합 1위라고 적고 있습니다.  다만 공식 블로그 본문에는 순위만 있고 구체적인 점수표는 실려 있지 않아, 이 글에서는 수치를 인용하지 않습니다.

| 항목 | 이전 버전 | TimesFM-3 | 근거 |
| --- | --- | --- | --- |
| 입력 구조 | 단변량 | 다변량 + 공변량 | Google Research 블로그 |
| 예측 방식 | 반복 생성 | 한 번의 순전파 (Contiguous Patch Masking) | Google Research 블로그 |
| 컨텍스트 길이 | 2048 | 최대 16k | GitHub README |
| 확률 출력 | — | 9개 분위수 (10~90 백분위) | Google Research 블로그 |
| 아키텍처 | — | 20층, 차원 1280, 어텐션 헤드 16, Variate Attention | Hugging Face 모델 카드 |

Hugging Face 모델 카드는 아키텍처를 "Variate Attention과 CPM Iterative RevIN을 갖춘 Stacked Mixing Transformer"로 설명하며, 컨텍스트 패치 길이 32, 예측 패치 길이 64를 명시합니다.  학습 데이터에는 GiftEvalPretrain 데이터셋, Wikipedia 페이지뷰, Google Trends 질의, 합성 증강 데이터가 포함됩니다. 


공식 블로그와 Hugging Face 모델 카드는 3억 3,000만(0.3B) 파라미터라고 적었지만, GitHub README 요약은 2억(200M)으로 적고 있습니다. 이 글은 공식 블로그를 따르되, 정확한 수치는 저장소의 최신 문서를 확인해 주세요.


## 라이선스가 관건입니다

가장 먼저 확인할 것은 라이선스입니다. 소스 코드는 Apache-2.0이지만, TimesFM 3.0 사전학습 가중치는 별도의 TimesFM 비상업 라이선스 v1.0으로 배포되며 README는 "기본 사전학습 가중치의 상업 또는 프로덕션 사용은 허용되지 않는다"고 명시합니다.  Hugging Face 모델 카드도 같은 라이선스를 표기하고, 아직 어떤 추론 제공자도 이 모델을 배포하지 않았다고 적혀 있습니다.  설치는 `pip install timesfm[torch]`, Apple Silicon에서는 `timesfm[mlx]`이며, PyTorch 쪽 API 이름은 TimesFM3Evaluator와 ModelConfig, 배치 예측은 predict_batch입니다. 

Google이 든 적용 분야는 소매, 금융, 관측성(observability), 제조, 의료, 자연과학입니다.  상업 이용을 원하는 팀이라면 가중치를 직접 받는 대신 몇 주 안에 나올 BigQuery 통합 같은 Google 제품 경로를 기다리는 편이 안전합니다. 

## 그래서 무엇을 보면 되나요



프로모션·휴일·가격처럼 미래 값을 아는 변수가 있는 수요 예측이 이 모델의 설계 목적에 가장 가깝습니다. 단변량 문제라면 2.5 대비 이점이 작을 수 있습니다.


공식 블로그의 1위 주장은 공개 벤치마크 기준입니다. 도메인 데이터에서 Chronos-2, Toto 2.0과 직접 비교해 보는 것이 맞습니다.


가중치 라이선스가 비상업이므로, 사내 파일럿과 실제 서비스 투입은 법무 확인 없이는 구분해야 합니다.




LLM 세계에서 익숙한 "제로샷"이 시계열 예측에서도 공변량까지 포함해 실용 단계에 왔다는 것이 이번 발표의 의미입니다. 3억 파라미터짜리 모델 하나가 과제별 튜닝 없이 수요·트래픽·센서 예측을 대체할 수 있다면 대부분의 팀에는 LLM보다 이 모델이 더 직접적인 비용 절감이 될 것입니다. 다만 Google이 코드는 열고 가중치는 비상업으로 묶은 선택은, 이 능력을 BigQuery 같은 자사 제품으로 수익화하겠다는 신호로 읽힙니다. 



이 글은 2026년 8월 31일 Google Research 블로그, Hugging Face 모델 카드, GitHub README를 바탕으로 정리한 비공식 요약입니다. 라이선스와 제공 방식은 바뀔 수 있으니 저장소의 최신 문서를 확인해 주세요.



## 자주 묻는 질문

**Q. TimesFM-2.5와 무엇이 다른가요?**

가장 큰 차이는 다변량입니다. 여러 목표 변수와 과거 공변량, 미래 값을 아는 동적 공변량을 과제별 튜닝 없이 함께 넣을 수 있고, 반복 생성 대신 한 번의 순전파로 예측합니다. GitHub README 기준 컨텍스트 길이도 2048에서 최대 16k로 늘었습니다.

**Q. 회사에서 바로 써도 되나요?**

주의가 필요합니다. 소스 코드는 Apache-2.0이지만 기본 사전학습 가중치는 TimesFM 비상업 라이선스 v1.0으로 배포되며, README는 상업·프로덕션 사용이 허용되지 않는다고 명시합니다. 상업 이용은 몇 주 안에 나올 BigQuery 통합 등 Google 제품 경로를 확인해야 합니다.

**Q. 어떻게 설치하나요?**

pip install timesfm[torch] 로 설치하고, Apple Silicon에서는 timesfm[mlx] 를 씁니다. 가중치는 Hugging Face의 google/timesfm-3.0-pytorch 에 있습니다.

## 출처

1. [TimesFM-3: A zero-shot foundation model for multivariate forecasting (Google Research)](https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/) (official)
2. [google/timesfm-3.0-pytorch 모델 카드 (Hugging Face)](https://huggingface.co/google/timesfm-3.0-pytorch) (official)
3. [google-research/timesfm README (GitHub)](https://github.com/google-research/timesfm) (data)

_이 문서는 AI피셜 편집부가 작성했습니다. 인용 시 출처를 표기해 주세요._