TimesFM 这个项目，我第一眼不是看参数。
2 亿参数，放在今天的模型圈里，真不吓人。
真正让我停了一下的，是它的用法。
给一段历史数据，先跑一个预测结果出来。不用先为零售训一套，为电力训一套，为库存再折腾一套。时间序列以前麻烦就麻烦在这里，场景一换，模型、参数、验证，全得重新来一遍。
很多团队卡的不是没数据。
是懒得每次都重新搭。
Google Research 这次做的 TimesFM，走的是时间序列基础模型这条路。论文进了 ICML 2024。官方说，它拿 1000 亿个真实世界 time-points 做了预训练，主打 zero-shot forecasting。
不微调，先预测。
这四个字对做业务的人挺现实的。跨境电商看爆单，供应链看库存，能源看负荷曲线。尤其现在 AI 数据中心一多，电力这块的波动也被放大了。
以前你要认真做预测，基本绕不开一堆前处理和模型选择。
现在至少可以先把 TimesFM 拉下来跑一遍。
仓库里给了代码、checkpoint，也有 Hugging Face 入口。Apache 2.0 协议。Star 已经到 17.3k 左右。
我更在意的是它不像那种“论文很漂亮，代码离你很远”的项目。
你真的能点开 README，装环境，丢自己的序列进去试一下。结果不一定神，至少不是空看。
当然，它不是预言机。
股票、加密货币、库存、用电曲线，全部塞进去，然后等它告诉你未来，这种想法还是太省事了。时间序列里那些脏东西还在：数据断点、周期漂移、节假日、突发事件。该坑还是坑。
Google 自己说得也没那么满。
它强调的是 out-of-the-box 的 decent forecast。
这个措辞我反而觉得靠谱。不是包赢，不是包准，是先给你一个能看的起点。
对小团队来说，这已经够了。
以前可能连时间序列模型都懒得试，现在多了一个入口。先跑一版，图画出来，看曲线有没有点意思。
GitHub 地址： https://github.com/google-research/timesfm