TimesFM 2.5: нейросеть Google, которая ловит спрос до того, как он вырос

Применить: собрать первый прогноз · Экономит: часы на разбор англоязычных доков и бенчей · Уровень: для новичка и среднего · Чтение: ~20 минут · Данные проверены на 10 июля 2026

Что узнаешь:

• Что изменилось в TimesFM 2.5: 200M параметров вместо 500M, контекст 2048 → 16 384 точки, квантили до 1000 шагов
• Точность против классики: -15-25% MAE к Auto ARIMA, на недельных продажах 11.2 против 8.621 (Grid Dynamics, 30.12.2025)
• Реальный статус на GIFT-Eval: на анонсе первая среди zero-shot, к июлю 2026 Chronos-2 обошла примерно на процент
• Запуск за 10 минут: pip install timesfm[torch], два готовых код-сниппета, Python 3.10+
• Путь из России: веса с Hugging Face качаются, а BigQuery отключён с 09.09.2024 - остаётся self-host

Главное. TimesFM 2.5 - открытая нейросеть прогнозов временных рядов от Google Research, релиз 15 сентября 2025 под лицензией Apache-2.0. Она предсказывает будущее ряда (спрос, трафик, нагрузку) без обучения на твоих данных - в режиме zero-shot. Модель компактная: 200M параметров, контекст до 16 384 точек, квантильные прогнозы до 1000 шагов вперёд. На бенчмарках обходит Auto ARIMA на 15-25% по MAE. Но чуда нет: на ровных рядах разрыв с классикой невелик, а фирменные облачные сервисы Google вокруг модели из России закрыты.

Ты закупаешь товар на маркетплейс и прогнозируешь спрос по скользящей средней в Excel. На 30 000 SKU Wildberries такой прогноз промахивается в среднем на 38% (разбор epsilonmetrics, 19 марта 2026). Промах вниз - упущенные продажи, промах вверх - замороженные на складе деньги. И то, и другое одновременно.

Google предлагает другой заход: одна нейросеть, обученная на сотне миллиардов точек чужих временных рядов, которая делает прогноз для твоего графика вообще без обучения. Загрузил историю продаж - получил веер вероятных сценариев на месяц вперёд. Звучит как магия, и часть этого - маркетинг.

Разбираю без розовых очков: насколько TimesFM реально точнее ARIMA и Excel, как запустить её за 10 минут и почему из России работает только self-host. Каждая цифра с источником и датой. Где источники спорят - говорю прямо в тексте.

Что такое TimesFM 2.5 и почему это не очередной чатбот?

Главное. TimesFM - это foundation-модель для временных рядов от Google Research. Работает как «ChatGPT для чисел»: на вход подаёшь историю ряда (например, 100 дней продаж), на выходе получаешь прогноз на N шагов вперёд плюс границы неопределённости. Обучать её под свою задачу не нужно - линейку тренировали на сотнях миллиардов реальных точек. Версия 2.5 вышла 15 сентября 2025, лицензия Apache-2.0, веса открыты на Hugging Face.

Начнём с базы. TimesFM расшифровывается как Time Series Foundation Model - «фундаментальная модель для временных рядов». Сделали её исследователи Google - Rajat Sen и Yichen Zhou; научная статья лежит на arXiv под номером 2310.10688 и была принята на ICML 2024. Название статьи прямое: «A decoder-only foundation model for time-series forecasting».

Аналогия с языковыми моделями тут работает лучше всего. Большая языковая модель предсказывает следующее слово по предыдущим. Нейросеть прогнозов предсказывает следующее число по предыдущим числам. Архитектура похожая - декодер, как у GPT, только роль «токенов» играют кусочки временного ряда, их называют патчами.

Ключевое отличие от чатбота - ты не переписываешься с ней текстом. Формат общения такой: массив чисел на вход, массив чисел на выход. Продажи, посещаемость сайта, температура, потребление электричества, нагрузка на серверы - любой ряд, где значения идут во времени.

Почему это вообще возможно без обучения на твоих данных - потому что первую версию TimesFM тренировали на ~100 млрд реальных точек: данные Google Trends, просмотры Википедии плюс синтетика. Модель выучила общие паттерны - тренды, сезонность, всплески - и переносит их на незнакомый ряд. Это и называется zero-shot: «нулевой выстрел», прогноз без единого шага дообучения.

На июль 2026 репозиторий google-research/timesfm собрал 26,7 тысячи звёзд на GitHub. Лицензия Apache-2.0 - коммерческое использование разрешено, без оговорок про некоммерческий статус, которые есть у части конкурентов. Дальше разберём, что именно поменялось в свежей версии.

Что нового в TimesFM 2.5 по сравнению с 2.0?

Главное. TimesFM 2.5 стала в 2,5 раза легче и заметно дальновиднее. Параметров - 200M вместо 500M у версии 2.0. Контекст вырос с 2048 до 16 384 точек истории - в восемь раз. Появилась отдельная квантильная «голова» (+30M параметров), которая выдаёт непрерывный вероятностный прогноз до 1000 шагов вперёд. Индикатор частоты ряда больше не нужен. А вот поддержку ковариат (XReg) на старте выпилили и вернули только 29 октября 2025.

Главный парадокс релиза: модель похудела, но стала сильнее. Разработчики в README формулируют это как «200M parameters, down from 500M» и «up to 16k context length, up from 2048». Меньше параметров - быстрее инференс и ниже требования к железу. Больше контекст - модель видит длиннее историю и лучше ловит годовую сезонность.

Сравнение версий - в таблице.

Параметр	1.0 (2024)	2.0	2.5 (сентябрь 2025)
Параметры	200M	500M	200M
Контекст (точек истории)	до 512	2048	16 384
Квантили	фикс. сетка	-	непрерывная голова (+30M), горизонт до 1000
Индикатор частоты ряда	нужен	нужен	не нужен
XReg (ковариаты)	нет	да	вернули 29.10.2025
Претрейн	~100 млрд точек	~400 млрд точек	публичной цифры нет
Лицензия	Apache-2.0	Apache-2.0	Apache-2.0

Данные: README google-research/timesfm и Google Cloud blog, проверено 10 июля 2026.

⚠️ Совет. Кратности из таблицы держи под рукой при чтении чужих обзоров: если текст говорит про «контекст 512» или «500M параметров» - перед тобой описание старой версии, к 2.5 оно не относится.

График 1. TimesFM 2.5 в 2,5 раза легче версии 2.0, а контекст вырос в восемь раз. Источник: README google-research/timesfm, 10 июля 2026.

Теперь квантили. Точечный прогноз («в среду продадим 40 штук») бесполезен без понимания разброса. Квантильная голова TimesFM 2.5 выдаёт непрерывный вероятностный прогноз: не одно число, а коридор сценариев - 10-й процентиль, медиана, 90-й. Так ты видишь и ожидание, и риск.

Теперь ложка дёгтя, которую многие обзоры проглатывают. На старте 2.5 поддержки ковариат не было вообще - то есть учесть внешние факторы (акцию, праздник, цену) в прогнозе было нельзя. Вернули её через механизм XReg только 29 октября 2025, спустя полтора месяца после релиза. Если читаешь старый гайд - проверяй дату.

Таймлайн апдейтов версии 2.5 по changelog README: 15 сентября 2025 - сам релиз; 29 октября 2025 - возврат ковариат; 19 марта 2026 - документация по интеграции с агентами; 9 апреля 2026 - пример файнтюнинга через HuggingFace Transformers и PEFT (LoRA); 2 июля 2026 - обновление пакета на PyPI до версии 2.0.2. Модель живёт и допиливается.

Как нейросеть прогнозов работает без обучения на твоих данных?

Главное. TimesFM раскладывает ряд на тренд, сезонность и остаток, а потом продолжает эти компоненты в будущее - «понимания» твоего бизнеса за этим нет. Обучение на твоих данных не нужно, потому что модель уже выучила универсальные формы этих компонентов на сотнях миллиардов чужих точек. Отсюда и главное ограничение: то, у чего нет паттерна в истории (война, локдаун, вирусный ролик), она предсказать не может в принципе.

У людей, впервые встречающих идею «одна модель для всех рядов», возникает резонный скепсис. Вот как его сформулировал пользователь HN:

«Мне сама концепция общей модели временных рядов кажется странной. Как одна и та же модель может надёжно предсказать и цены на яйца в Италии, и мировую инфляцию?»

• EmilStenstrom, Hacker News, 31 марта 2026

Ответ на этот вопрос дал другой участник того же треда, и он снимает половину мифологии вокруг нейросетей прогнозов:

«Что обычно не понимают: эти модели не предсказывают цены на яйца или инфляцию в Италии. Они раскладывают временной ряд на тренды, сезонность и остаток. Вот что они на самом деле моделируют. Они не могут предсказать войну на Ближнем Востоке, влияющую на инфляцию, - если только у неё нет сезонного паттерна.»

• teruakohatu, Hacker News, 31 марта 2026

Переведу на язык практика. Нейросеть прогнозов ищет в твоей истории три вещи. Тренд - куда в целом ползёт линия (растут продажи год к году или падают). Сезонность - повторяющиеся циклы (выходные, декабрь, летний спад). Остаток - это шум; всё, что не легло в первые два.

Дальше модель продолжает эти три компонента вперёд. Если в прошлом декабре был всплеск и в позапрошлом - она заложит всплеск и в будущий декабрь. «Понимать», что декабрь - это Новый год, ей и не нужно: она узнаёт форму всплеска и повторяет её.

Этот вывод сэкономит тебе разочарование. TimesFM отлично работает там, где будущее похоже на прошлое: устоявшийся спрос, стабильная нагрузка, регулярные циклы. И бесполезна там, где случается разрыв без прецедента в данных. Запуск нового SKU без истории, санкционный шок, вирусный ролик, обваливший склад за сутки - тут нейросеть прогнозирует пальцем в небо, как и любая другая модель.

Zero-shot не отменяет здравого смысла. Чем длиннее и чище история ряда, тем лучше прогноз. На коротком ряде из двадцати точек хорошего результата не жди - модели не на чем узнавать сезонность.

Где здесь provod.ai. Саму TimesFM через provod.ai не вызвать - это открытые веса, а не чат-API, её надо ставить у себя. Но вокруг прогноза всегда есть возня, где выручает LLM: написать пайплайн на Python, разобрать кривой CSV, объяснить, почему прогноз поехал, собрать отчёт для руководства. Тут пригодится напарник - Gemini 3.1, Claude или GPT-5.5. Из России их удобно дёргать через один API в рублях. Подробнее - в разделе «Работает ли TimesFM из России?».

Насколько точен прогноз: бенчмарки против ARIMA и Excel?

Главное. На реальных данных TimesFM снижает MAE к Auto ARIMA на 15-25% (Grid Dynamics, 30 декабря 2025). На недельных иерархических продажах ARIMA дала ошибку 11.2, TimesFM - 8.621. Против Excel со скользящей средней (MAPE ~38% на маркетплейсе) разрыв ещё больше. Но на анонсе TimesFM 2.5 возглавляла лидерборд GIFT-Eval лишь среди zero-shot foundation-моделей, а к июлю 2026 её обошла Chronos-2 от Amazon. Модель сильная, но «лучшей нейросетью прогнозов вообще» её называть нельзя.

Самый практичный замер - у команды Grid Dynamics (отчёт Szymon Marszalkowski и Marko Nikolic, 30 декабря 2025): она прогнала foundation-модели против классики на ритейл-данных. Итог: time-series foundation модели снижают MAE относительно Auto ARIMA примерно на 15-25%. На конкретном срезе - иерархические недельные продажи - Auto ARIMA дала ошибку 11.2, TimesFM 8.621. Разница около 23%.

График 2. На недельных иерархических продажах TimesFM обходит Auto ARIMA по MAE примерно на 23%. Источник: Grid Dynamics, 30 декабря 2025.

С лидербордами отдельная история - там легко нарваться на устаревшую цифру. На анонсе в сентябре 2025 куча заголовков кричала «TimesFM 2.5 - номер один на GIFT-Eval». Это было правдой в узком смысле: первая среди zero-shot foundation-моделей на момент релиза. За десять месяцев расклад изменился.

К июлю 2026 среди чистых предобученных моделей вперёд вышла Chronos-2 от Amazon (arXiv 2510.15821): её MASE около 0.698 против 0.705 у TimesFM-2.5. Обошла примерно на процент, но обошла. А если открыть полный лидерборд tsfm.ai, TimesFM-2.5 стоит вообще на 36-й строчке (Avg Rank 37.74, MASE 0.71, CRPS 0.49). Не пугайся этой цифры: верх лидерборда забит ансамблями, агентами и файнтюнами (CastStar, Cobra-Agent, Toto-2.0 от Datadog), которые несопоставимы с одиночной zero-shot моделью. Сравнивать их с TimesFM - как сравнивать сборную с одним игроком.

Есть и скептический голос из индустрии, который стоит услышать до внедрения:

«Мы прогнали внутренние тесты. Качество неплохое, работает вполне сносно. Но по сути она на уровне ARIMA, обученной на данных, - просто гораздо больше и медленнее. Так что, по-моему, она сейчас проваливается в пустоту (falls into a kind of void). Если задача стоит прогнозирования и ты сажаешь на неё дата-сайентиста, дешевле обучить ARIMA.»

• magimas, Hacker News, 31 марта 2026

Что это значит, если решаешь «брать или нет». На ровных, хорошо изученных рядах, где у тебя есть аналитик и время, классическая ARIMA даст сопоставимое качество дешевле по железу. Выигрыш TimesFM в другом: когда рядов тысячи и обучать под каждый свою модель нерентабельно, одна нейросеть закрывает их все разом без настройки. Nixtla в своём «Foundation Time Series Arena» (больше 30 000 рядов) показала именно это: TimesFM обходит статистические и ML-модели при скорости на уровне простого SeasonalNaive.

Против Excel сравнение вообще не в пользу таблиц. Скользящая средняя на маркетплейсе промахивается на 38%, ARIMA держит 12-22% MAPE, ML-ансамбли - 5-10% (все цифры - из того же разбора Wildberries). TimesFM по точности встаёт между классикой и настроенными ML-ансамблями - зато без месяцев работы над фичами.

Chronos, Moirai, Toto: с кем сравнивать TimesFM в 2026?

Главное. TimesFM - не единственная нейросеть прогнозов на рынке. Прямые конкуренты: Chronos-2 от Amazon (сейчас лидер среди предобученных, Apache-2.0), Moirai 2.0 от Salesforce (осторожно - лицензия CC-BY-NC, некоммерческая), IBM Granite TTM (крохотная, работает без GPU, умеет ещё и классификацию с аномалиями), закрытый TimeGPT-1 от Nixtla (только по API) и Toto от Datadog (заточена под observability). Главный водораздел при выборе - лицензия и доступность.

Рынок foundation-моделей для рядов за 2025-2026 стал плотным. Свёл ключевых игроков в таблицу, с упором на то, что реально влияет на выбор - лицензию и способ доступа.

Модель	Параметры	Лицензия	Доступ	Особенность
Amazon Chronos-2 / Bolt	~120M (Bolt: 9M-710M)	Apache-2.0	GitHub, HF, SageMaker	Топ-1 GIFT-Eval среди предобученных; Bolt до 250× быстрее оригинала
Salesforce Moirai 2.0	11M	CC-BY-NC-4.0	HF Salesforce	Некоммерческая лицензия! В 30× компактнее 1.0-Large
IBM Granite TTM	<1M-~1M	Apache-2.0	HF ibm-granite	Работает без GPU; умеет классификацию, аномалии, imputation
Nixtla TimeGPT-1	не раскрыты	закрытая (API)	API, триал 30 дней	Продакшн-сервис, обучена на >100 млрд точек
Datadog Toto 2.0	4M-2.5B	Apache-2.0	GitHub, HF	Претрейн >2 трлн точек, заточена под observability
Google TimesFM 2.5	200M	Apache-2.0	GitHub, HF	Контекст 16 384, квантили до 1000 шагов, XReg

Данные: официальные репозитории и карточки моделей на Hugging Face, проверено 10 июля 2026.

⚠️ Внимание. Красный флаг в этой таблице - Moirai. Модель хорошая, но лицензия CC-BY-NC-4.0 запрещает коммерческое использование: взял в продакшн для бизнеса - нарушил лицензию. TimesFM, Chronos, Granite и Toto под Apache-2.0 таких ограничений не ставят.

Практический расклад по нишам. Нужна максимальная точность среди открытых - смотри Chronos-2. Крутишь прогнозы на слабом железе без GPU или нужна ещё и детекция аномалий из коробки - бери IBM Granite TTM. Для мониторинга серверов логичнее Toto - Datadog обучал её ровно на таких метриках. Не хочешь возиться с self-host и готов платить за API - TimeGPT-1 от Nixtla. А TimesFM - крепкий универсал под ритейл и спрос с контекстом 16 384 точки.

Где нейросеть прогнозов реально применима: спрос, финансы, операции?

Главное. Три зоны, где нейросеть прогнозов приносит деньги: прогноз спроса в ритейле (закупки, автозаказ, борьба с затовариванием), операции и observability (нагрузка на серверы, детекция аномалий инжеста) и финансы (VaR, волатильность) - но в финансах выигрыш скромный. На RU-рынке главная боль - маркетплейсы: Excel-прогноз промахивается на 38%, а доверие бизнеса ломает один промах на 20% - он перевешивает год точных прогнозов.

Ритейл - тут больнее всего и понятнее всего. Разбор 30 000 SKU Wildberries - тот самый, с 38% на скользящей средней, - даёт всю вилку ошибок: с сезонностью - 24%, ARIMA - 12-22%, ML-ансамбли - 5-10%. Каждый процент промаха - это либо недопроданный товар, либо мёртвый сток. Причём затоваривание и дефицит на маркетплейсе живут параллельно по разным SKU.

Отдельная боль - психологическая, и метрикой её не закрыть. Аналитик под ником KelThuzed в разборе «Как построить прогноз, которому верит бизнес» (Habr, 25 марта 2026) формулирует её точно: «Один промах на 20% перевешивает 12 месяцев точных прогнозов». И добавляет про деградацию на горизонте - «буквально за один день прогноз может измениться от перепрогноза к недопрогнозу». Вот против этой боли и заточены квантили TimesFM: они честно показывают разброс и не рисуют одну обманчиво точную линию.

Публичные кейсы с цифрами на RU-рынке в основном старые, и я подам их как есть - с датой. X5 Retail Group вместе с Accenture и JDA внедряла прогнозирование ещё в 2018 году: +17% к точности прогноза, +5% к доступности товара, -13% к запасам (ComNews, 14 мая 2018). Ozon в том же 2018-м гонял LightGBM: MAE 1.01 против базлайна 1.45, 130 моделей на 13 категорий (Habr, 4 декабря 2018). Свежих публичных кейсов именно по foundation-моделям на русском рынке за 2025-2026 я не нашёл - если увидишь «TimesFM внедрён в X5 в 2026», проверяй первоисточник.

Вторая зона - операции и observability. Тут за нейросеть прогнозов топит вот такой отзыв из практики:

«Нам нужен был способ детектить аномалии инжеста на 200+ микросервисах без отдельного ML-стека. Оказалось, BigQuery уже пишет каждую строку в WRITE_API_TIMELINE, а встроенный AI.DETECT_ANOMALIES (на движке TimesFM от Google) справляется с детекцией.»

• boxer_shorts, Hacker News, 12 марта 2026

Логика тут такая: прогнозируешь нормальный уровень метрики, а всё, что вылетает за квантильные границы, помечаешь как аномалию. Сама TimesFM аномалии не ищет - она строит прогноз, а детекция навешивается сверху. Об этом подробнее в разделе про ограничения.

Третья зона - финансы, и тут я осознанно приторможу хайп. По исследованиям (arXiv 2606.27100, 2511.18578) foundation-модели вроде TimesFM - «сильный практический дефолт» для задач с малым объёмом данных, VaR и оценки волатильности. Но фундаментальную сложность предсказания доходности акций они не решают. Выигрыш тут в экономии на построении базлайна; прорывного качества ждать не стоит. Есть отраслевые адаптации - Fin-TimesFM, FinDA-TimesFM, - но обещать «нейросеть предскажет рынок» было бы враньём.

Как попробовать TimesFM 2.5: запуск за 10 минут

Главное. Установка - одна команда: pip install timesfmtorch. Дальше две строки: загрузить веса с Hugging Face и вызвать forecast(). Модель компактная, 200M параметров, сторонние разборы гоняют её даже на CPU - но официальных требований к RAM и VRAM Google не публиковал. С 9 апреля 2026 в репозитории есть пример файнтюнинга под свои данные через LoRA.

Самый быстрый путь - родной пакет. Ставим:

pip install timesfm[torch]

Есть варианты сборки под другие бэкенды: timesfm[flax] для JAX и timesfm[xreg], если нужны ковариаты. Требование - Python версии 3.10 или выше.

Дальше сам прогноз. Загружаем чекпоинт TimesFM 2.5 и вызываем forecast на любом ряде:

model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")
point_forecast, quantile_forecast = model.forecast(horizon=12, inputs=[np.linspace(0, 1, 100)])

На выходе два массива: point_forecast - точечный прогноз (медиана), quantile_forecast - веер квантилей для оценки риска. Горизонт horizon=12 означает 12 шагов вперёд, inputs - твоя история ряда.

Кто предпочитает экосистему Hugging Face Transformers, тем зайдёт второй вариант через отдельный класс:

from transformers import TimesFm2_5ModelForPrediction
model = TimesFm2_5ModelForPrediction.from_pretrained("google/timesfm-2.5-200m-transformers")
outputs = model(past_values=past_values, forecast_context_len=1024)

С железом ясности меньше. Официальных минимумов по RAM и VRAM Google не заявлял; помечаю это как «официально не подтверждено». Косвенно: 200M параметров - это немного, а сторонние разборы сообщают об инференсе на CPU. Для боевого прогона тысяч рядов GPU всё же ускорит дело кратно.

Нужно дообучить под свою специфику - с 9 апреля 2026 в репозитории лежит пример файнтюнинга через HuggingFace Transformers и PEFT (LoRA). Это лёгкий тюнинг: всю модель не переучиваешь, докидываешь небольшие адаптеры под свой домен. Готовые ноутбуки для облака есть в репозитории GoogleCloudPlatform/applied-ai-engineering-samples («Operationalizing TimesFM on Vertex AI»).

Замечу: карточка google/timesfm-2.5-200m-transformers на Hugging Face набирает 205 554 загрузки в месяц (на 10 июля 2026). Так что пример не игрушечный, модель реально гоняют.

Что даёт облачная обвязка: BigQuery, Sheets, Vertex?

Главное. Google встроил TimesFM в свои облачные продукты, чтобы прогнозировать без единой строчки Python. В BigQuery - функция AI.FORECAST (статус GA), одним SQL-запросом гонит прогноз на миллионы рядов, горизонт до 10 000, модель на выбор 2.0 или 2.5. В Google Sheets с 16 февраля 2026 - мастер прогноза в Connected Sheets. В AlloyDB - пока Preview. Оговорка: BigQuery-обёртка даёт контекст до 15 000 точек, меньше 16 384 у открытой модели.

Для тех, кто живёт в SQL, Google сделал функцию AI.FORECAST прямо в BigQuery ML. Статус - GA (Generally Available), то есть продакшн-готово. Один запрос прогнозирует миллионы одномерных рядов за минуты, без создания и обучения своей модели. Синтаксис выглядит так:

SELECT * FROM AI.FORECAST(
  TABLE trips_data,
  data_col => 'num_trips',
  timestamp_col => 'date',
  horizon => 300,
  model => 'TimesFM 2.5',
  context_window => 1024
)

Параметр model принимает 'TimesFM 2.0' и 'TimesFM 2.5' (по умолчанию 2.0), horizon тянет до 10 000 шагов (это лимит SQL-функции; непрерывные квантили открытой модели считаются до 1000 шагов), context_window регулирует глубину истории. Деталь для дотошных: в BigQuery context_window ограничен диапазоном 64-15 000 точек - это меньше, чем 16 384 у открытой модели. Ограничение самого продукта-обёртки, архитектура тут ни при чём.

Рядом в этой же экосистеме работают AI.EVALUATE (тоже GA) для оценки качества прогноза и AI.DETECT_ANOMALIES (пока Public Preview) для поиска аномалий поверх прогноза. Именно на последней держится кейс с 200+ микросервисами из раздела про применения.

Для совсем не-технарей гугл дотянул прогноз до обычных таблиц. В Google Sheets прогноз живёт в мастере Connected Sheets: открываешь «Advanced Analytics → Create a Forecast», под капотом там та же BigQuery ML с TimesFM. Обычной формулы =FORECAST() тут нет. Раскатка началась 16 февраля 2026 (Google Workspace Updates).

Ещё две точки интеграции. В базе данных AlloyDB функция ai.forecast доступна в статусе Preview. А в Vertex AI модель лежит в Model Garden с готовым Docker-образом. Одна поправка: страница Model Garden местами всё ещё описывает лимит «up to 512 timepoints» - это устаревшее описание версии 1.0, реальные лимиты зависят от версии и продукта-обёртки.

Звучит удобно. Но для читателя из России тут есть жирный подвох, к которому и переходим.

Работает ли TimesFM из России?

Главное. Ключевой момент для RU-читателя: сама модель из России работает, а фирменное облако Google - нет. Веса TimesFM лежат на Hugging Face и качаются в среднем без VPN (но CDN нестабилен, а оплата картой РФ не проходит). А вот BigQuery отключён для российских аккаунтов с 9 сентября 2024, Vertex AI и Google AI Studio из РФ не регистрируются. Итог: единственный рабочий путь - self-host через pip install, локально или на арендованном GPU.

Разложу по каждому каналу доступа, потому что советы в сети противоречат друг другу.

Hugging Face. Роскомнадзор его не блокирует. Ограничения идут от самой компании по санкционным причинам: геоблок Inference API и Spaces, нестабильный CDN на больших весах, оплата картой РФ не проходит для Pro и Endpoints. Скачивание открытых весов TimesFM - это «нестабильно», а не «невозможно» (по разборам gptunnelpro.ru от 23 декабря 2025 и dtf.ru за 2026). Веса компактные - 200M, - так что даже при капризном CDN обычно докачиваются.

GitHub. Репозиторий и README TimesFM лежат там. С мая 2026 доля неудачных подключений к GitHub из РФ выросла с ~4% до 16% (данные Meduza от 8 мая и 8 июня 2026); РКН блокировку отрицает, Минцифры 8 июня 2026 обсуждало «гос-VPN» для разработчиков. PyPI масштабных проблем не фиксирует - то есть pip install обычно проходит.

🚨 Критично. BigQuery деактивирован для российских пользователей с 9 сентября 2024 (анонс 13 августа 2024, источник ТАСС). Значит, GA-функция AI.FORECAST на TimesFM для аккаунтов из РФ недоступна в принципе - вся красота из предыдущего раздела мимо. Если план аналитики строился на BigQuery, закладывай self-host заранее.

Vertex AI и Google AI Studio. Регистрация из РФ заблокирована, биллинг РФ не подключается, отказ прилетает на уровне API. Блокировка комплексная - по истории IP и типу хостинга.

График 3. Путь из России: веса качаются и запускаются self-host, а облачные надстройки Google закрыты. Источник: Meduza, ТАСС, разборы доступности, 10 июля 2026.

Сухой остаток. Модель открыта под Apache-2.0, веса с Hugging Face в среднем качаются, а облако Google для РФ закрыто. Ставишь у себя через pip install timesfm[torch] - на своей машине или на арендованном GPU у российского облачного провайдера. Плюс: такой запуск не зависит ни от чьего биллинга - веса у тебя, инференс у тебя.

Прогноз - половина работы; вторая половина - объяснить бизнесу, что значит этот разброс сценариев, и склеить всё в рабочий процесс. Эту часть удобно отдать LLM, а из России проще всего ходить в него через provod.ai - единый API, оплата в рублях, без VPN и валютной карты. Саму TimesFM это не заменяет, но забирает рутину вокруг неё.

Чего TimesFM не умеет: ограничения без прикрас

Главное. TimesFM - прогнозная модель, и только. Сама по себе она не классифицирует и не детектит аномалии - для аномалий нужна обвязка поверх прогноза. Она не предскажет шок без сезонного прецедента в истории. На минутном разрешении в observability её обходит Toto в ~18 раз (вендорский бенчмарк Parseable). На коротких рядах и ровных данных выигрыш к классической ARIMA близок к нулю - и часть инженеров считает, что игра не стоит свеч.

Первое и главное: TimesFM ничего не делает, кроме прогноза. Она не классифицирует ряды, и поиск аномалий в неё не встроен: сравниваешь факт с квантильными границами сам - вылет за границы и есть аномалия. Хочешь классификацию или imputation из коробки - смотри в сторону IBM Granite TTM, у TimesFM этого нет.

Второе - шоки. Модель продолжает вперёд знакомые ей компоненты ряда, поэтому событие без прецедента в истории она не поймает. Внезапный конкурент с демпингом, сгоревший склад поставщика, запрет категории - если похожего не было в данных, прогноз слепой.

Третье - специализация. TimesFM заточена под одномерные ряды (univariate-focused). На вендорском бенчмарке Parseable (платформа observability, 3 июня 2025, обновлён 20 апреля 2026) на минутном разрешении Kubernetes-подов Toto дала MAPE 0.006, а TimesFM - 0.108, то есть примерно в 18 раз хуже. Судя по описанию (500M параметров), там гоняли версию 2.0, не 2.5. Оговорюсь дважды: это бенчмарк вендора observability-платформы, и MAPE ломается около нулевых значений. На часовом разрешении, кстати, TimesFM в том же тесте была лучшей (0.534).

Четвёртое - трезвый взгляд ветеранов ML. Ещё по первой версии в 2024-м звучало жёстко:

«Как и все deep learning модели прогнозирования до сих пор, это красивая статья, но не стоит того, чтобы кто-то использовал её для реальной задачи. Гораздо медленнее классических методов, которые она не может обойти.»

• claytonjy, Hacker News, 8 мая 2024

Ему вторил другой инженер про статистический контроль процессов: «Каждый раз, когда я реально пробовал что-то подобное, оно не обгоняло statistical process control» (kqr, Hacker News, 9 мая 2024). За два года TimesFM выросла - контекст, квантили, скорость, - и на тысячах рядов zero-shot реально экономит время. Но урок из этих цитат живой: на одном стабильном ряде с грамотным аналитиком классика по-прежнему конкурентна.

Пятое - короткие ряды. Нейросеть прогнозов узнаёт сезонность по истории; на двадцати точках узнавать нечего. Меньше пары полных сезонных циклов в данных - и прогноз превращается в дорогое гадание.

5 ошибок при прогнозировании нейросетью

Главное. Пять антипаттернов, которые убивают прогноз: тянуть линию от нуля вместо анализа истории, брать точечный прогноз без квантилей, катить zero-shot без сравнения с простым базлайном, считать MAPE у рядов с нулями и обрезать контекст ради скорости. Каждая ошибка стоит либо денег на складе, либо потери доверия к прогнозу.

Ошибка 1. Линейка от нуля. Классика непрофессионального прогноза - провести прямую от нуля до текущего значения и продлить до конца месяца. Бывший инженер Google Ads вспоминал: «Куча (неискушённых) рекламодателей просто проводили линию от нуля до сегодняшней цифры и проецировали её до конца месяца» (strongpigeon, Hacker News, 31 марта 2026). TimesFM учитывает сезонность и тренд - но только если ты кормишь её историей, а не одной точкой.

Ошибка 2. Точечный прогноз без квантилей. Взять из выдачи одну медиану («продадим 40») и планировать закупку по ней - значит выбросить главное, что даёт TimesFM 2.5. Квантильная голова показывает разброс: между 25 и 60 штук. Планируешь по медиане - половину времени в дефиците. Планируй по вееру.

Ошибка 3. Zero-shot без базлайна. Запустить нейросеть прогнозов и сразу поверить ей - опасно. Всегда прогоняй рядом простой базлайн: SeasonalNaive или Auto ARIMA. Если foundation-модель не обходит наивный прогноз на твоих данных - смысла в ней нет, о чём прямо говорили инженеры в цитатах выше.

Ошибка 4. MAPE у нулей. Метрика MAPE делит ошибку на факт и взрывается около нулевых значений. На рядах с частыми нулями (редкие SKU, ночная нагрузка) она врёт. Бери MAE, WAPE или MASE - на них и считают серьёзные бенчмарки.

Ошибка 5. Обрезанный контекст. Ради скорости легко выставить маленький context_window и потерять годовую сезонность. TimesFM 2.5 умеет держать до 16 384 точек истории - если у тебя есть два-три года дневных данных, дай ей их увидеть.

Короткая памятка «должно / не должно».

Должно	Не должно
Кормить длинной чистой историей	Продлевать линию от одной точки
Планировать по вееру квантилей	Верить одной медиане
Сравнивать с SeasonalNaive/ARIMA	Катить zero-shot вслепую
Считать MAE/WAPE/MASE	Считать MAPE на рядах с нулями
Давать полный контекст под сезонность	Резать context_window ради скорости

Что выбрать под твою задачу: дерево решений

Главное. Несколько рядов и есть аналитик - оставайся на Excel или ARIMA, разницы почти нет. Тысячи рядов, нужен self-host и ты из России - ставь TimesFM локально через pip. Не хочешь возиться с кодом и готов платить - смотри российские SaaS вроде Forecast NOW! (цифры вендора). Нужна максимальная точность и есть команда - строй свой ML-пайплайн или бери Chronos-2.

Развилка простая, разбиваю по вопросам.

1. Рядов мало (один-десяток), есть аналитик и время? Оставайся на классике - Excel с сезонностью, ARIMA, Holt-Winters. На спокойном, предсказуемом спросе TimesFM заметного выигрыша не даст - только добавит возни с развёртыванием.

2. Рядов сотни-тысячи? Вот где zero-shot окупается: один инстанс на весь пул, отдельные модели под каждый ряд не нужны. Из России - ставь локально через pip install timesfm[torch] (детали в разделе «Как попробовать TimesFM 2.5»).

3. Не хочешь писать код и держать инфраструктуру? Смотри российские готовые сервисы. Forecast NOW! от Инжэниус Тим делает прогноз спроса и автозаказ с интеграцией в 1С; по данным компании - +5-15% удовлетворённого спроса и +15-25% оборачиваемости. СберАналитика «Панель Ритейл» заявляет точность до 90% (цифра компании, независимо не проверена). Yandex DataSphere - общая ML-среда, отдельного «форкаст-как-сервис» там нет.

4. Нужна максимальная точность и есть ML-команда? Строй свой пайплайн: Chronos-2 как топовая открытая foundation-модель плюс ансамбль с классикой и градиентным бустингом. Это верх лидербордов, но и вложений требует.

Развилки для читателя из России две: доступность (облако Google закрыто - остаётся свой сервер или российский SaaS) и наличие рук (есть команда - код, нет - готовый сервис). Ответь на эти два вопроса - и вариант сузится до одного.

Сделай прямо сейчас

Главное. Скачай веса, прогони TimesFM на своём реальном ряде продаж или нагрузки, сравни результат с простым базлайном и посчитай, окупается ли она против твоего текущего Excel или ARIMA. И держи в голове географию - облако Google из России закрыто, так что сразу планируй self-host на своём железе.

По шагам:

1. Поставь пакет: pip install timesfm[torch] на Python 3.10+. Скачай веса google/timesfm-2.5-200m-pytorch с Hugging Face - про доступ из РФ смотри раздел про Россию.
2. Прогони прогноз на своём реальном ряде - истории продаж или нагрузки. Демо-данные ничего не покажут. Возьми оба выхода: точечный и квантильный.
3. Поставь рядом базлайн - SeasonalNaive или Auto ARIMA - и сравни по MAE или MASE. Не обгоняет наив - закрывай вопрос, классики хватит.
4. Заложи в план self-host: BigQuery и Vertex из России недоступны, рассчитывай на локальный или арендованный GPU.
5. Вспомогательный код не пиши руками - отдай его LLM-напарнику через API.

Была полезна статья? Да / Нет

Источники

1. github.com/google-research/timesfm - README и changelog (200M параметров, контекст 16 384, квантили до 1000, XReg возвращён 29.10.2025, LoRA-пример 09.04.2026, PyPI 2.0.2 от 02.07.2026, 26,7 тыс. звёзд, Apache-2.0) - проверено 10 июля 2026
2. huggingface.co - карточки google/timesfm-2.5-200m-transformers (0.2B, конвертация 20.02.2026, 205 554 загрузки/мес) и google/timesfm-2.5-200m-pytorch - проверено 10 июля 2026
3. arxiv.org 2310.10688 - «A decoder-only foundation model for time-series forecasting», ICML 2024, Rajat Sen и Yichen Zhou (Google Research); претрейн 1.0 на ~100 млрд точек
4. research.google/blog - пост про TimesFM 1.0 (02.02.2024, обновлён 08.05.2024); отдельного официального поста про версию 2.5 нет
5. marktechpost.com - анонс TimesFM 2.5 (16 сентября 2025)
6. cloud.google.com/blog - AI.FORECAST в BigQuery (preview 10.07.2025; «TimesFM models in BigQuery and AlloyDB», GA, 19.11.2025; horizon до 10 000, context_window 64-15 000)
7. workspaceupdates.googleblog.com - мастер прогноза в Connected Sheets на TimesFM, раскат с 16 февраля 2026
8. tsfm.ai/benchmarks/gift-eval - лидерборд GIFT-Eval (TimesFM-2.5 на #36, Avg Rank 37.74, MASE 0.71); arxiv 2510.15821 - Chronos-2 (Amazon) - проверено 10 июля 2026
9. hn.algolia.com / news.ycombinator.com - тред 47583045 (31.03.2026, 327 очков), треды 40297946 (08.05.2024) и 47358496 (12.03.2026); цитаты magimas, teruakohatu, EmilStenstrom, boxer_shorts, strongpigeon, claytonjy, kqr - сверено по objectID
10. griddynamics.com/blog - Szymon Marszalkowski, Marko Nikolic: TSFM снижают MAE к Auto ARIMA на 15-25%, недельные продажи ARIMA 11.2 против TimesFM 8.621 (30 декабря 2025)
11. parseable.com/blog - вендорский бенчмарк observability-платформы (MAPE Toto 0.006 против TimesFM 0.108 на минуте; 03.06.2025, обновлён 20.04.2026)
12. blogs.epsilonmetrics.ru - разбор 30 000 SKU Wildberries (MAPE 38% на скользящей, 24% с сезонностью, ARIMA 12-22%, ML 5-10%), 19 марта 2026
13. Habr - «Как построить прогноз, которому верит бизнес» (KelThuzed, 25.03.2026); кейс Ozon LightGBM MAE 1.01 против 1.45 (04.12.2018)
14. ComNews - кейс X5 + Accenture + JDA: +17% точность, +5% доступность, -13% запасы (14 мая 2018)
15. Meduza - рост неудачных подключений к GitHub из РФ с ~4% до 16% (08.05.2026 и 08.06.2026)
16. ТАСС - деактивация BigQuery для российских пользователей с 09.09.2024 (анонс 13.08.2024)
17. fnow.ru - Forecast NOW! (Инжэниус Тим): +5-15% удовлетворённого спроса, +15-25% оборачиваемости (цифры вендора) - проверено 10 июля 2026

Связанные материалы

• «Агрегаторы LLM API в России 2026: какой выбрать и не переплатить»
• «ChatGPT, дипсик и гемини из России в 2026: как пользоваться топовыми нейросетями бесплатно и в рублях»
• «Китайская нейросеть GLM-5.2 обошла GPT-5.5: что это меняет в 2026»

Итог по TimesFM короткий: одна открытая нейросеть прогнозов закрывает тысячи рядов без обучения и обходит Auto ARIMA на 15-25% по MAE. Но из России упираешься в старый затык: BigQuery и Vertex не работают, ставить придётся у себя, а рядом всё равно нужен LLM под рутину - пайплайн, отчёты, разбор данных. И тут карту РФ ни OpenAI, ни Google напрямую не берут.

provod.ai собирает топовые модели под рублёвый биллинг: Claude Opus 4.8, GPT-5.5, Gemini 3.1 Pro, DeepSeek v4, Qwen, Kimi - под одним ключом и чат, и API, OpenAI- и Anthropic-совместимый. Наценки посредника ноль, платишь официальную цену в рублях, картой РФ, через СБП или по счёту с закрывающими документами для бизнеса. Если строишь аналитику вокруг прогнозов и нужен надёжный доступ к LLM из России - проверь актуальный список моделей и цены в рублях.

---

provod.ai — Russian LLM API aggregator. One OpenAI-compatible endpoint to all flagship models: OpenAI (GPT-5.6, GPT-5.5), Anthropic (Claude Opus 4.8, Sonnet 4.6), Google (Gemini 3.1 Pro, 3.5 Flash), DeepSeek V4 Pro, Qwen 3.6 Plus. Provider prices at the CBR rate, no token markup. Pay in rubles to a Russian legal entity with full closing documents.

Try: provod.ai · model catalog · docs