TimesFM（Time Series Foundation Model）是 Google Research 开发的预训练时间序列基础模型，用于时间序列预测。它把「基础模型」范式带到时序预测——一个 decoder-only 的预训练模型，无需为每个数据集从头训练就能做零样本/少样本预测。对应论文《A decoder-only foundation model for time-series forecasting》（ICML 2024），检查点发布在 Hugging Face，并已进入 Google 自家产品（BigQuery ML、Google Sheets 的 Connected Sheets、Vertex Model Garden）。许可为 Apache-2.0，Python，约 20,084 stars。当前版本为 TimesFM 2.5；README 注明这个开源版本并非 Google 官方支持的产品。
来源：README.md（首段、Paper、Google 1P Products、版本说明）；GitHub 仓库元数据（stars=20084、license=Apache-2.0、language=Python） 查看 GitHub 仓库 →时序预测是工业界刚需，但传统做法需为每个场景单独建模。TimesFM 把大模型的「预训练基础模型 + 零样本泛化」思路成功用到时序预测上，由 Google Research 出品、有 ICML 论文背书、并已落地到 BigQuery/Sheets/Vertex 等产品，可信度与实用性都强。最新的 2.5 版本进一步把上下文拉到 16k、参数降到 200M、加入连续分位数预测，工程上也更易用，因而持续受关注。截至数据采集约 20,084 stars。
来源：README.md（首段、Paper、Google 1P Products、TimesFM 2.5 更新）；GitHub 仓库元数据（stars=20084）decoder-only 基础模型，无需为每个数据集从头训练即可做预测，把基础模型范式带入时间序列。
来源：README.md（首段、Paper 标题）200M 参数、最长 16k 上下文、可选 30M 分位数头支持最多 1k 步的连续分位数预测、去除 frequency 指标并新增预测开关。
来源：README.md（TimesFM 2.5 is out 段落）通过 XReg 支持协变量；提供基于 HuggingFace Transformers + PEFT(LoRA) 的微调示例，便于在自有数据上适配。
来源：README.md（Oct.29 covariate via XReg、Apr.9 finetuning 更新）提供 PyTorch 与 Flax(JAX) 两种实现（Flax 更快），检查点在 Hugging Face；并已集成进 BigQuery ML、Google Sheets、Vertex Model Garden 等 Google 产品。
来源：README.md（Flax 版、Google 1P Products、All checkpoints）TimesFM 是一个 decoder-only 的时序基础模型。最新 2.5 版相比 2.0：参数从 500M 降到 200M、上下文长度从 2048 提升到最多 16k、通过一个可选的 30M 分位数头支持最多 1k 预测步的连续分位数预测、去掉了 frequency 指标、并新增若干预测开关。仓库提供 PyTorch 与 Flax（JAX）两种实现（Flax 版用于更快推理），通过 XReg 支持协变量（covariate），并给出基于 HuggingFace Transformers + PEFT(LoRA) 的微调示例、核心层/配置/工具的单元测试，以及面向智能体的 AGENTS.md 与 SKILL.md。旧版 1.0/2.0 的代码归档在 v1 子目录（可 pip install timesfm==1.3.0 使用）。
来源：README.md（TimesFM 2.5 更新列表、各 Update 段落、Archived Model Versions、Install 的 torch/flax/xreg extras）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
torch 或 jax/flax（按 extras 选择）XReg（协变量支持，可选）HuggingFace Transformers + PEFT(LoRA…适合需要时间序列预测的工程与数据团队：在销量、流量、负载、指标监控等场景做零样本或少样本预测，省去为每个序列单独建模；需要不确定性时用分位数头得到区间预测；有外部驱动变量时用 XReg 引入协变量；并可用 LoRA 在自有数据上微调。对已用 Google Cloud 的团队，还能直接在 BigQuery ML / Sheets / Vertex 里调用。注意这个开源版本并非 Google 官方支持产品，生产使用需自行评估与验证。
来源：README.md（首段、Google 1P Products、covariate/finetuning、非官方支持说明）最新模型版本为 TimesFM 2.5（2025-09 发布）：200M 参数、最长 16k 上下文、可选 30M 分位数头支持最多 1k 步连续分位数预测、去除 frequency 指标。此后陆续完成：更快推理的 Flax 版、XReg 协变量支持（2025-10）、文档/示例/智能体技能、以及基于 HuggingFace + PEFT(LoRA) 的微调示例与核心单元测试（2026-04）。旧版 1.0/2.0 归档在 v1 子目录。
来源：README.md（TimesFM 2.5 is out、各 Update 段落、Archived Model Versions）TimesFM 是把「预训练基础模型 + 零样本泛化」成功落到时间序列预测的代表性开源项目：Google Research 出品、有 ICML 论文与多款 Google 产品落地，2.5 版在上下文、参数效率和分位数预测上都更实用，还支持协变量与 LoRA 微调、双后端跨硬件。对需要时序预测、想少做逐场景建模的团队很有价值。要清楚开源版并非 Google 官方支持产品、对强领域结构场景未必胜过定制模型、且需配置好后端。作为时序预测的基础模型底座，它权威、实用、生态成熟。
来源：综合 README.md 的模型能力、产品落地与非官方支持说明