O Google Research lançou o TimesFM-3, um modelo de IA para previsão de séries temporais que amplia o que versões anteriores conseguiam fazer. Em vez de olhar apenas para o histórico de uma única série, como vendas diárias de um produto, o sistema combina variáveis relacionadas e eventos futuros conhecidos para produzir previsões mais contextuais. O modelo já está disponível no GitHub e no Hugging Face, e o Google planeja adicioná-lo ao BigQuery nas próximas semanas.

O avanço é especialmente relevante para setores que dependem de planejamento, como varejo, finanças, manufatura, saúde e ciências. A família TimesFM existe desde 2024 e, até a versão TimesFM-2.5, lançada em setembro de 2025, conseguia processar apenas uma série por vez. Com suporte multivariável, o TimesFM-3 dá um passo que o Google descreve como importante para prever cenários reais, em que uma variável raramente explica tudo.

Um exemplo usado pela empresa é o de uma rede varejista tentando prever vendas de sorvete. Uma boa previsão deveria considerar também produtos relacionados, como casquinhas e calda, além de fluxo de pessoas no passado, clima, campanhas de desconto e feriados. O TimesFM-3 foi desenhado para lidar com esse tipo de dependência cruzada.

Ao preencher todo o futuro de uma só vez e cruzar séries relacionadas, o TimesFM-3 deixa de ser apenas um extrapolador do passado e se aproxima de uma ferramenta de planejamento operacional.

Na arquitetura, o modelo continua baseado em Transformer, a mesma base de seus antecessores, mas agrupa 32 pontos consecutivos em um único patch e normaliza cada série para uma escala comum. Isso permite comparar medições de magnitudes muito diferentes diretamente. O processamento ocorre em duas direções alternadas: no eixo do tempo, busca padrões dentro de uma série usando apenas valores passados, para não vazar informação futura; entre séries, compara todas as variáveis em um mesmo instante e aprende como se relacionam, captando efeitos como o impacto do desconto de um produto nas vendas de outro.

O TimesFM-3 tem 330 milhões de parâmetros e foi treinado com séries temporais reais e sintéticas que somam mais de 1 trilhão de pontos de dados, segundo o Google. Como versões anteriores, funciona em modo zero-shot e não precisa de treinamento extra para novas tarefas. Ele lida com três tipos de dados suplementares: prevê múltiplas variáveis relacionadas ao mesmo tempo, como diferentes sabores de sorvete; incorpora fatores conhecidos apenas no passado, como fluxo histórico de pessoas; e usa eventos futuros conhecidos, como descontos planejados ou previsões meteorológicas. Em vez de uma estimativa única, gera nove valores por passo temporal para representar intervalo e incerteza.

A mudança de método também afeta a eficiência. Versões anteriores previam o futuro bloco a bloco, abordagem que o Google classifica como lenta, pesada em computação e sujeita a erros acumulados, já que cada previsão se apoiava na anterior. O TimesFM-3 marca todos os passos futuros como espaços em branco e os preenche em uma única passagem. No exemplo do sorvete, um modelo que só conhece vendas passadas continuaria o padrão semanal e ficaria cego a promoções planejadas; com o calendário de descontos, o TimesFM-3 aprende com o histórico quanto as promoções aumentam a demanda e espera cerca de 20% mais unidades em cada dia de promoção.

Segundo o Google, o modelo lidera três benchmarks: Gift-Eval, FEV-Bench e Time, ficando em primeiro lugar entre todos os modelos de previsão pré-treinados tanto em acurácia pontual quanto em calibração de incerteza. Entre os concorrentes citados estão o Chronos-2, da Amazon, a família Toto-2.0 e o próprio TimesFM-2.5. Mesmo limitado a uma única variável, o TimesFM-3 empata ou supera os rivais, e a adição de mais dados amplia a vantagem.

Além do lançamento aberto, a integração com o BigQuery deve aproximar o modelo de fluxos corporativos. Hoje, o TimesFM-2.5 faz previsões de variável única no serviço por meio do comando AI.FORECAST. A chegada do TimesFM-3 ao BigQuery nas próximas semanas pode levar a previsão multivariável para dentro de pipelines de dados já usados por empresas.

O Google também tem investido em previsões além de séries temporais. No início de agosto, o Google DeepMind lançou o WeatherNext Cyclones, sistema open-source de IA para ciclones tropicais que prevê trajetórias e intensidade cerca de um dia além dos principais modelos operacionais. O movimento indica uma estratégia mais ampla de aplicar IA a previsão e planejamento em domínios diversos. O que ainda está em aberto é como o ganho em benchmarks se traduz em operações reais, com dados imperfeitos, custos de integração e concorrência crescente.