TimesFM 2.5 到 3.0：时序基础模型的能力升级、协变量边界和公平评测

科研精读与实操课程 · 约 17,300 个有效中文教学汉字 · 预计阅读 60—75 分钟 · 适合：有一点机器学习基础、希望在新数据集公平比较时序模型的读者

本文以 2026 年 9 月已公开的 Google Research、Amazon Science 官方资料为依据。文中对模型性能的引用属于官方或论文作者报告，并非本文新完成的独立 GPU 评测。所有数字算例、图示和假设数据为原创教学设计；实际生产数据需要重新核对时间语义、模型授权和部署预算。

一、为什么一个新的基础模型发布，并不等于我们应该立刻替换现有模型？

近年来，人们开始把“基础模型”思想从自然语言和图像推广到时间序列：使用大量、来源多样的时序数据预训练一个通用模型，希望它在新任务上不必从零开始训练，就能给出相对有竞争力的预测。这是一条值得研究的路线，但它有一个经常被宣传语言遮蔽的问题：通用能力的提高，不等于在每个具体市场、每种预测起点和每种评价指标上都会产生收益。

以电价预测为例，某个通用模型可能已经从大量公开序列中学会趋势、季节性和一些非线性模式。但是实际市场可能有严格的信息公布时点，有同一天的日前价格和实时价格，有负价格、跳变、修订数据以及多个外生预报版本。训练时“给模型一列未来外生变量”很容易，真实预测时这列变量是否可用却是业务合同问题。再强的预训练模型，也不能在信息尚未发生的情况下合法使用未来真实值。

Google Research 的 TimesFM 3.0 在 2026 年 8 月发布。官方 README 介绍，它在原有时间序列基础模型路线之上，提供原生多变量输入、仅历史协变量与历史加未来协变量的接口，并报告多个综合基准上的领先表现。这些都是值得注意的能力变化；然而在新数据集上是否有收益，需要比较预测问题与模型输入能力是否匹配，评估有没有泄漏，并确认公开基准与目标任务之间的差别。

本文因此不按“新模型有哪些漂亮参数”来写，而按三个研究问题组织：第一，TimesFM 2.5、3.0 与 Chronos-2 的输入输出究竟发生了什么变化？第二，一个变量明明来自未来时间点，什么时候可以合法给模型使用？第三，如何让预训练模型、传统统计模型与自己训练的深度模型在同一条件下公平比较？这三个问题解决后，即使未来出现 TimesFM 4.0 或另一种新基础模型，你仍然可以快速建立第一轮可信实验。

本篇适合从零进入时序基础模型领域的读者。我们会先补齐多步预测、零样本预测、预训练、协变量和分位数的定义，再读官方模型版本与代码接口，随后用一个可以手算的二十四步预测例子检查数据时间边界。最后给出完整评测设计、来源核验与停止条件，避免把一组作者报告的排行榜直接写成自己的科研结论。

图一｜原创教学图：重点是从单变量通用预测到原生多变量和协变量接口的能力边界，不是声称某一版本在所有实际数据集都更准确。

二、先补基础：普通时序模型和基础模型的训练逻辑有什么差别？

普通监督式预测项目通常有一个明确数据集。我们先划分训练、验证和测试区间，从训练段构造历史窗口与未来目标，利用这些样本优化模型参数，再用验证段选择配置，最终在未参与选择的测试段评价。如果换了市场、采样频率和目标，可能还需要重新调参或者训练。这种方式在许多任务中很有效，尤其是拥有充足的本地高质量数据时。

基础模型的路线不同：模型开发者希望在大量多来源序列上预训练出一套可迁移参数。新使用者获得模型 checkpoint 后，可以直接给出历史序列，要求预测未来，这常被称为零样本预测，英文 zero-shot forecasting。这里“零样本”的意思并不是模型从来没有见过时间序列，而是针对当前下游任务没有额外使用该任务训练数据更新参数。它也不意味着完全不做输入标准化或配置选择；我们仍然要按照模型接口准备数据，并明确不同配置会不会使用验证数据。

微调 fine-tuning 则是另一种使用方式。我们允许预训练参数在新的任务数据上进一步更新，或者只训练一个参数量较小的适配器。这通常能够更贴合局部数据分布，但会增加训练成本，也可能产生过拟合和信息泄漏风险。零样本与微调不应被视为同一个实验条件：一个方法若使用了新市场一年的训练标签，另一个完全没有使用，就不能只比较最终 MAE 而不说明数据使用差异。

还有“只在开发集选择配置”的灰色地带。假设一个基础模型不更新任何权重，却在验证段试了十种历史窗口长度、归一化方式和协变量组合，最终选择误差最小的方案。严格来说，它在参数层面仍然是 zero-shot，但已经使用了目标任务的验证信息进行模型选择。报告中应把纯默认零样本、验证集选型零样本和微调分开，不能因为都没有完整重训就全部写成同一种条件。

基础模型带来的真正机会，是让研究者在新任务上以较低的试验门槛获得一个强候选。然而基础模型的训练来源、预训练数据与目标测试集之间的关系、推理成本、输出能力和许可条件，都可能影响它是否适合当前研究。一个在跨领域基准上表现优秀的模型，不能自动解决这些现实限制。

三、时序预测的一条基本公式：历史上下文与未来跨度

设时间序列的历史观测为 x，预测起点为 c，观察到的历史长度为 L，要求预测未来 H 个点。最朴素的单变量预测可以表示成一个映射：输入过去 L 个观测，输出未来 H 个数：

$$f_{\theta}:\mathbb R^L\longrightarrow\mathbb R^H,\qquad \widehat{\boldsymbol y}_{c+1:c+H}=f_{\theta}(\boldsymbol x_{c-L+1:c}).$$

这个式子能够描述许多统计模型、神经网络和基础模型。真正会改变任务复杂度的并不只有 L 和 H，还包括数据频率、目标统计性质、历史是否有缺失，以及有没有其他变量可用。电价每小时二十四步预测与设备传感器每分钟二十四步预测，虽然维度相同，却可能具有完全不同的周期结构和业务含义。

多变量预测意味着同时处理多个目标或者输入通道。若有 M 条目标序列，历史输入可以表示为形状 M×L 的矩阵，未来输出为 M×H。注意这里的多变量不是指把所有来源不同的数值混成一条更长序列；每个通道有自己的含义与时间对齐。一个模型支持原生多变量，意味着它能够以某种联合表示处理多个相关通道，而不是简单地对每条序列独立运行并把结果堆在一起。是否能够从通道交互中受益仍需要实验。

协变量又是另一件事。比如电力负荷、气温、风速、节假日、已公布的计划值，它们并不是我们最主要预测的价格目标，但可能帮助解释价格变化。模型是否支持这些额外通道、能否分清历史才可得的信息与未来已知信息，会直接影响它适用哪些真实任务。一个仅支持单变量目标输入的模型，与一个可以同时预测多个目标、读取多种协变量的模型，不能只用参数量判断谁更有表达能力。

如果评价一篇论文的模型能力，首先要找到它的输入输出定义。如果只是说“支持 multivariate”，还不够：它是对多个目标联合建模，还是多个单变量模型的批量推理？它是否接受只存在于历史区间的外部变量？它是否接受预测起点之前已经发布的未来外生预报？回答完这些问题，才能知道新模型为我们省去了哪些额外工程适配。

四、TimesFM 2.5：为什么它曾经是一个重要的中间版本？

Google 官方 README 记录，TimesFM 2.5 于 2025 年 9 月发布。相较此前的 2.0，2.5 使用约二亿参数，而此前版本为约五亿；可接受的最长上下文从 2048 扩展到约 16000；还提供一个可选的三千万参数分位数预测头，可处理较长预测跨度。这些属于模型开发者公开描述的版本特征，不代表我们已经在某一台电脑上测到具体速度提升。

为什么参数减少值得关注？因为模型参数量会影响模型权重占用、计算与部署成本，但不能简单通过参数数量直接推导实际延迟。不同架构、实现、硬件、输入长度和批量大小都会影响运行速度。一个参数更少的新模型有可能在某些场景更快，也可能因为更长上下文或不同推理逻辑而增加计算。正确比较需要固定设备、批量、精度与输入形状，并实测预热后延迟。

上下文长度增加意味着模型在输入接口层面可以处理更长的历史，理论上有机会利用更远的周期或低频变化。但“允许长上下文”和“长上下文一定有信息增益”不是同一件事。如果新任务只需最近一周来预测下一小时，提供数个月历史可能增加冗余和计算负担。尤其时间序列存在环境变化时，很早的数据分布可能与当前不同；更长历史究竟帮助还是干扰，需要在独立时间段检查。

2.5 的协变量支持也需要精确理解。官方说明在 2025 年 10 月通过 XReg 恢复了协变量支持，后来又增加相关示例和微调说明。因此，不能因为某篇早期对比文章把 TimesFM 描述为“不能使用外生变量”，就把这个观点无限延伸到所有 2.5 代码版本。论文冻结版本、开源仓库动态版本和我们当时安装的包版本应分别记录，功能对照才不会自相矛盾。

2.5 重要的科研意义不在于它是最终答案，而是它提醒我们：同一个模型系列的版本更新，可能同时改变参数规模、上下文长度、概率输出和协变量接入方式。把这些变化一律归为“模型结构升级”，很容易掩盖真实收益来自更长历史、不同信息输入还是更好的模型参数。做公平对照时，应明确固定哪些因素、允许哪些功能差异。

五、TimesFM 3.0：官方宣布的新增能力是什么？

TimesFM 3.0 在 2026 年 8 月正式发布。根据 Google Research 官方仓库及研究博客，3.0 支持原生单变量和多变量预测，可以同时接收历史目标、多通道历史协变量，以及覆盖历史和未来区间的已知协变量。官方还公布了在多个综合基准上的领先排名，包括 fev-bench、TIME 和 GIFT-Eval。这里必须强调：这些是开发者公开声明和相应评测设定下的结果，而不是任何用户对自己数据的独立胜利保证。

原生多变量能力为什么可能有意义？如果不同能源、地区或者设备通道共享某些动态机制，联合表示有机会从其他通道获得额外信息。比如某地区的风电输出与负荷变化可能共同影响价格，单纯按独立目标预测可能错失交互。不过联合建模也可能在无关通道上引入噪声、错误对齐和分布差异。支持通道交互是能力，不保证这种交互在当前任务上总能提升。

另一个关键变化是协变量接口更明确。官方代码演示将多变量目标历史写成一个 num_variates×context_length 的数组；仅历史协变量使用 num_covariates×context_length；过去和未来都可用的协变量则使用 num_covariates×(context_length+horizon)。这说明模型接口确实区分不同的可用时间范围。但它无法自行判断用户给出的“未来序列”究竟是合法预报还是泄漏的最终真实值，合法性仍由数据工程负责。

官方示例也显示，可以请求 point forecast 和多个 quantile forecast。以输出未来十二步为例，点预测的形状为十二，分位数预测可以是十二乘九，其中九表示从较低到较高的多个分位概率水平。这种概率输出适合研究尖峰与风险，但它同样需要校准检查；一个模型能输出九条分位数曲线，不意味着这九条曲线对真实未来的覆盖率天然正确。

TimesFM 3.0 还有软件与权重许可的重要变化。Google 官方仓库源代码采用 Apache-2.0，但自托管的 3.0 预训练权重受单独的非商用、非生产许可限制；商业或生产使用可以通过符合授权的 Google Cloud 服务进行。此前 2.5 权重的开源许可不应机械套用到 3.0。科研原型、公开教学与真实商业部署是不同应用场景，使用前必须对照具体权重许可证。

六、用官方代码形状理解多变量与协变量

假设我们拥有三条历史目标序列，每条提供一百二十八个历史时间点，计划一次预测未来二十四步。我们把历史目标矩阵记为三个通道乘一百二十八个时间点。若有一条只在过去能够观察的外部变量，它的输入矩阵是一乘一百二十八；若另有两条已在预测起点前发布、覆盖未来二十四步的预报变量，那么它们的矩阵是二乘一百五十二。后面的152来自128个历史点加24个未来点。

这与 TimesFM 3.0 官方示例的接口思想一致：target 形状为三乘一百二十八，past_only_covariates 为一乘一百二十八，past_future_covariates 为二乘一百五十二，输出 point forecast 为三乘二十四。如果请求九个分位点，输出可能是三乘二十四乘九。每一个维度都必须能说清含义，否则模型虽然正常执行，输出也可能被错误归属到其他通道和目标时刻。

可以把接口调用想象成以下几步：首先按照业务定义取得目标历史；其次取得只在历史出现的协变量；再次取得合法的历史与未来协变量版本；最后把三类信息按相同时间索引对齐后交给模型。这里我们只解释官方 API 的数据合同，不宣称已经在某块 GPU 上运行过这些示例，也不将作者提供的随机数组当成真实市场数据。

最容易犯的错是把同一个时间字段误当成同一个信息版本。比如未来三天的“气温”可能包括官方提前发布的预报、实时观测和事后订正值；数组形状全都可以是二乘一百五十二，但只有在预测时已经公开的预报版本适合该场景。模型接口检查不了这一点，数据生成程序必须记录每条记录的首次发布时间和来源版本。

另一个风险是不同通道的采样频率。假设价格按小时更新、风速按十五分钟更新、负荷预报按半小时更新，直接把它们放进同一个矩阵会导致时间错位。必须先定义明确的重采样和对齐策略，并确保这一过程不会通过未来插值泄漏后续观测。缺失值是否允许、如何编码、归一化在哪个范围拟合，也应在正式评估前记录。

这就是为什么“基础模型支持多变量”不能直接翻译为“把表格里所有列拼进去就会变好”。一个可靠实验必须把维度正确、时间正确、来源可用性和统计公平性作为四个独立门槛。任何一个门槛失败，得到的漂亮模型分数都不能用于证明架构优势。

七、最核心的概念：过去发生的观测和未来已知的预报

时间序列任务比一般静态任务特殊，是因为我们总在某个预测截止点做决定。假设周一十点要预测周二每个小时的电价。过去的实际价格、已公布的天气预报、已知节假日与某些计划值可能已经可用；周二的真实负荷、真实天气和最终实时价格则未必出现。它们虽然都描述周二，却属于不同信息类型。

我们可以将某个变量版本的首次发布时间记作 a，预测截止点记作 c。一个版本合法进入模型的必要条件是发布时间不晚于预测起点。在一个简化信息集合中可以写为：

$$\mathcal I(c)= \{z_{j,t}^{(v)}:\ a(j,t,v)\leq c\}.$$

这里 j 表示变量，t 表示业务所描述的时间，v 表示该数据的历史版本。这条规则刻意没有要求 t 必须不晚于 c，因为未来的公开预报可能提前发布；它也没有说凡是事件时间早于 c 就一定合法，因为某些历史观测可能迟报。判断条件是该数据版本当时能否被真实系统访问。

以天气为例，周一六点发布的周二气温预测可以属于信息集合；周一十二点发布的新版气温预测则不能用于周一十点的预测。若离线数据库只保存“周一最后一个预报版本”，就可能把十二点版误交给十点模型。这个问题并不因模型名称是 TimesFM 或 Chronos 而消失，属于所有基于未来外生变量的预测器共同面对的数据风险。

对于电价任务，还需要区别日前价格和实时价格。某种已在前一天公布的日前结果，在特定业务时间点可能已经完全可知；目标日稍后产生的实时成交价则不可知。模型可以利用合法已知的日前信息预测实时价或者价差，但必须明确什么时候能获得该结果，以及不同市场的公告时间是否一致。无法核实公告机制时，应只报告离线研究能力，不能宣称真实业务可部署。

因此，当基础模型宣传“原生支持已知未来协变量”时，我们真正应该高兴的是它提供了合适的输入结构，而不是它能够预测尚未发生的信息。是否提高效果，取决于合法未来信息本身对目标是否有增量，以及模型能否提取这种增量。合法性和预测价值是两个不同问题。

图二｜原创教学图：历史观测、已公布的未来预报和未来真实值三类输入不能仅凭数组长度混为一谈。

八、一个完整二十四步例子：从数据合同到输入矩阵

我们构造一个教学场景：周一上午十点发出预测，目标是周二零点到二十三点的二十四个价格。用于演算的历史窗口长度设为七十二小时，意味着模型获得此前三天的目标价格记录。另有一条过去观测的外生变量和两条已在周一十点前发布的未来预报序列。请注意，以下数据都是我们构造的示例，不代表任何真实市场的公开数据。

目标历史矩阵只有一条目标序列时，形状是一乘七十二；仅历史外生变量矩阵是一乘七十二；两条覆盖历史加未来的外生预报矩阵是二乘九十六。这里的九十六不是因为一天有九十六个十五分钟点，而是七十二个历史小时加二十四个未来小时。不同任务里九十六可能代表不同维度，因此不能只根据一个数字猜测数据粒度。

现在要检查合法性。我们给未来预报的每个值附发布时间，假设它们都是周一早上六点版；六点早于十点，所以这个版本合法。若数据库里后来又出现中午十二点订正版，则不能在这一轮预测里替换。如果某条变量其实是周二真实负荷，即使它在当前下载的历史文件中完整存在，也必须从输入里移除，因为在周一十点不可能得到未来实测值。

随后核对时间轴。价格历史的最后一个点是否真的不晚于周一十点？预测输出的第一个点对应周二零点还是周一十一点？不同训练管线对“预测起点”和“目标第一步”的定义可能不同，不能只因为输出长度等于二十四就认为时间对齐正确。一个可靠预测文件应该保存 origin、target_time、horizon_index 和预测值，而不是只保存一行没有坐标的二十四维数组。

如果模型返回二十四个预测值，我们可以挑前三小时用手算 MAE。假设实际值分别为一百、二百和五十，预测值为一百一十、一百八十和七十，绝对误差为十、二十、二十，平均误差是五十除以三。这个数值的计算很简单，但如果时间索引错了一个小时，完全相同的公式也会给出没有实际意义的结果。复杂模型评测往往失败在数据合同，而不是误差公式。

最后，假设模型在预报协变量上出现较大收益，我们也不能立刻把它归因于模型结构。需要在相同信息条件下对比其他模型，看看收益是否主要来自新增的未来预报。若一个新版本首次允许使用两条合法预报，而旧版本只给历史价格，二者的误差差异同时混合了信息差异和模型差异。这是后面公平实验必须拆开的核心问题。

九、为什么未来协变量越多，模型未必越准确？

一个直觉是多给模型一些输入，它总可以忽略无用信息，因此效果至少不会变差。但在真实有限训练数据、固定预训练参数和复杂输入接口下，这一观点并不可靠。新增协变量可能与已有变量高度相关，也可能含有系统性偏差，甚至可能因为发布时间处理错误而引入非法信息。即使变量本身合法，模型也未必学会如何在当前领域使用它。

例如某个外生变量只是另一变量乘以二，它并没有提供新的独立信息；另一个天气预报可能在正常季节准确，却在极端天气时存在明显偏差。模型若过度依赖它，反而会在最需要稳健性的时刻恶化。还有一个更普遍的问题：预训练模型在训练期间接触的协变量语义和用户新任务并不完全一致。输入维度相同并不意味着语义可迁移。

判断新增协变量有无价值，应该先明确它的业务机制和时间可用性，再设计条件对照。比如在严格相同的预测起点与评价月份上，分别评估不使用协变量、只使用日历变量、只使用天气预报和同时使用二者的模型。若不同组合效果接近，就不应只报告最好的一组；需要观察是否存在跨月稳定收益，或者某项特征只是对个别环境有帮助。

更值得注意的是“指标变化”与“预测行为变化”的差别。新增外生变量可能让模型在很多小时大幅调整预测，但正负方向的误差变化互相抵消，最终平均 MAE 几乎不动。这种情况说明模型确实受到输入影响，却没有证明预测能力提高。我们可以把误差变化按月份、预测跨度和目标状态分组，寻找有意义的互补信息，但必须使用未参与筛选的独立时间段验证。

协变量研究中真正可迁移的结论不是“给基础模型尽可能多的列”，而是建立一种筛选顺序：信息是否合法、是否新增、模型是否能够使用、收益是否稳定、成本是否合理。任何一项失败都可能成为停止扩建的充分理由。

十、Chronos-2 为什么必须进入对照，而不能只和旧 TimesFM 比？

Amazon Science 的 Chronos 系列提供另一条时间序列预训练路线。官方 README 描述了原始 Chronos、采用 patch 思想并直接预测多个未来分位数的 Chronos-Bolt，以及于2025年10月发布的 Chronos-2。新一代 Chronos-2 同样宣称支持单变量、多变量与带协变量预测。因此，当我们讨论 TimesFM 3.0 的“新增接口能力”时，不能忽略同期已经具有相似输入类别的其他模型。

需要强调，支持相似输入类别并不意味着模型计算机制完全相同。TimesFM 与 Chronos 的训练数据、模型架构、输入归一化、预测头和概率输出方式可能不同；即使在某个公开基准上都达到很好的分数，也不说明它们在某个目标市场的错误类型相同。一个模型的平均 MAE 较差，却可能在某些极端状态有独立预测信息；是否能够提前利用这种互补，又是新的研究问题。

对具体版本进行比较时，还要保留发布日期和官方源码版本。Chronos-2 的发布是2025年10月，TimesFM 3.0 是2026年8月。如果我们只说“Chronos 对比 TimesFM”，读者无法知道指的是 Chronos-T5、Chronos-Bolt、Chronos-2，还是 TimesFM 2.0、2.5、3.0。版本不清将直接破坏任何实验复现，因为接口、参数与训练规模都可能改变。

官方 README 对各自综合基准性能的宣传也应被合理看待。它们可能采用不同评价套件、不同模型配置和不同时间发布的榜单。即使两个仓库都声称某项排行榜第一，也不能在没有核对评价版本的情况下宣布其中一个说谎；可能只是榜单更新、任务子集和模型状态不同。正确做法是冻结同一评价数据与规则，并让双方在相同条件下重新生成预测。

最后别忘了传统方法与普通监督模型。原始季节性预测、MSTL 等统计基线、线性模型、树模型和特定任务训练的深度预测器，都应按研究问题适当纳入。若一个基础模型只能超过很弱的旧深度模型，却无法在目标任务上稳定超过简单季节性基线，它的科研价值仍可能存在，但“更适合部署”这个结论需要重新考虑。基础模型对照应包含强基础模型，也应包含足够简单且可解释的任务基线。

十一、GIFT-Eval 解决什么问题？它不是一个万能排行榜

GIFT-Eval 的论文于2024年公开，强调基础时序模型需要跨越不同领域、采样频率、预测长度和统计特征的综合评测，而不能只看几套较为熟悉的公开数据。根据论文摘要，这套基准包括二十三个数据集、约十四万四千条序列和一亿七千七百万个数据点，覆盖七个应用领域和十种采样频率。作者还特别讨论了大规模预训练与评价之间避免信息泄漏的需要。

为什么数据集多很重要？因为某个模型可能擅长高频传感器序列，却不擅长受到市场规则和突发事件影响的价格序列；在长跨度上优势明显，也不代表短跨度上相同。综合基准提供一种更广泛的能力观察，能够降低研究者只挑选自己最有利数据集的风险。但它无法替代新的目标应用的独立评估，也不能证明模型在所有未来数据上都稳健。

阅读排行榜时至少核对四件事：所有模型使用的测试窗口是否相同，某些模型是否获得了额外外生变量，评价指标是否同时涵盖点预测与概率预测，以及模型选择是否使用了相同开发信息。如果这些条件不同，简单排序只能说明某个评测设定下的表现，不能归因于纯架构能力。

GIFT-Eval 还有一个对基础模型特别关键的问题：训练语料与测试语料可能包含相似数据集甚至同一数据的不同来源版本。作者努力建立非泄漏预训练数据并不意味着任何未来出现的模型都自动满足这一约束。一个在训练时接触过目标测试序列的基础模型，即使下游运行时完全不微调，结果也未必能称为严格的独立零样本泛化。因此评测协议还应尽量了解模型预训练来源、冻结日期和与测试数据的重叠关系。

如果模型作者没有公开足够完整的预训练数据身份，研究者可能无法完全证明没有重叠。这时应如实记录该限制，并选择能够减少风险的外部数据或晚于预训练截止时间的测试时间段。在数据无法完全审查的情况下，“未知”比“肯定无泄漏”更严谨。综合基准帮助我们扩大视野，却不能免除特定模型的来源审计。

十二、预训练数据泄漏与业务输入泄漏是两种不同的风险

上一节讨论了基础模型是否在预训练时见过测试序列，这属于训练数据层面的污染。现在考虑另一种更容易在电价预测中出现的问题：历史回测时给模型输入某个未来真实外生变量。这两种情况都可能夸大表现，但诊断方法完全不同。前者需要检查预训练语料与测试集身份，后者需要回溯每个输入字段的实际发布时间。

例如某个公开电价数据集覆盖2024年，一款基础模型可能曾在预训练语料中接触到同一市场的历史数据。是否构成不合理的数据重叠，取决于预训练任务、目标时间与测试定义，不能仅凭“市场相同”就自动认定泄漏。反过来，即使预训练数据完全不包含该市场，用户在回测时提供了预测时刻未公布的未来真实负荷，仍然属于非法输入。两个门槛必须单独审查。

还存在预处理泄漏。假设我们先用整个测试月份计算价格均值和标准差，再将所得标准化参数交给某个预测器。即使原模型完全冻结，没有训练任何参数，标准化过程仍然从未来评价数据获取了信息。对每一个预测起点，应当只用当时已知的历史范围计算必要统计量；如果使用预先训练好的标准化器，就必须说明其拟合来源。

模型选择泄漏则更加隐蔽。研究者可能在测试月份上试了很多输入窗口、缺失值处理方式和协变量组合，最后只保留最佳结果。整个过程中模型权重不曾更新，但测试分数已经通过人工选择影响了最终配置。此时测试集不再完全独立，不能靠“这是零样本模型”一句话把选择偏差消除。正确做法是用单独开发时间段选配置，冻结后再评价后续月份。

这些泄漏之间不存在互相替代关系。修复未来输入泄漏，并不自动解决预训练数据污染；冻结预训练权重，并不自动防止测试选择偏差。建立一张来源和时间检查表，将三类风险分别记录，往往比在论文里反复写“严格无泄漏”更有说服力。

十三、Zero-shot、验证集选型与 Fine-tuning：三个实验组该怎样设计？

一项公平研究可以先建立三个相互区别的设置。第一组是默认零样本：保持基础模型冻结，使用官方推荐的默认配置，只输入测试起点允许的历史和协变量，不使用目标开发集选择模型配置。它最接近“拿到新数据马上使用”的产品能力。

第二组是验证集选型零样本：基础模型权重仍然冻结，但允许在时间顺序位于最终测试之前的开发集上选择历史长度、输入变量和推理选项。这种设置更接近真实工程部署，因为使用者通常有一段合法的开发历史进行适配。报告时必须明确它已获得额外模型选择信息，不能与第一组混为一谈。

第三组是微调：允许模型或部分适配参数利用目标训练数据更新。它可能在市场特定问题上更有优势，也可能增加过拟合、训练耗时和维护难度。在同一个测试集上比较三组时，应该同时报告各组需要的目标训练样本数量、GPU 时间和相应推理资源，而不是只展示最后误差。

对于一个具体下游任务，还可以加入任务特定训练的轻量模型。比如一个简单树模型在过去六个月数据上训练，而基础模型完全不使用这六个月标签就给出零样本预测；谁更好取决于问题。我们可以同时讨论“取得同样精度时谁需要更少目标数据”和“在既定资源下哪个模型效果更好”，但它们不是同一评价目标。

从科研角度，这种分组设计还能回答更普遍的问题：预训练带来的增益主要体现在无本地标签时，还是在少量标签时更明显？随着目标数据增加，简单模型能否追平基础模型？哪些状态需要额外局部适配？这些都是可以通过学习曲线和外部时间段验证的研究问题，而不是某个官方排行榜能够直接提供的答案。

十四、分位数预测：为什么九条未来曲线不是九个独立模型？

TimesFM 3.0 官方示例可以返回多个分位数，常见的是从较低分位到较高分位的一组输出。对未来某一小时，点预测可能为一百，而不同分位数的预测值可以形成一条风险分布的离散描述。它表达的是“对该未来目标不确定性的估计”，而不是要求把九个不同数值全部当成实际价格预测。

用概率语言说，对随机目标 Y 在条件信息 I 下，第 τ 分位数 qτ 满足 Y 落在它以下的条件概率约为 τ。实际模型训练通常需要通过适当损失近似该性质。经典分位数回归使用 pinball loss，可以按预测误差的正负方向给予不同权重：

$$\rho_\tau(y-q)= \begin{cases} \tau(y-q),& y\geq q,\\ (\tau-1)(y-q),& y<q. \end{cases}$$

当 τ 为二分之一时，上式等于绝对误差的一半；这有助于理解中位数预测与 MAE 的关系。若 τ 接近九成，高估与低估的惩罚不对称，使最优解倾向于较高分位。推导不意味着网络一定能够达到正确校准，尤其数据存在尖峰和严重分布变化时，经验覆盖率可能与名义分位数不一致。

一个可以手算的例子：真实值一百，预测第九十分位数 q 为八十，由于 y 大于 q，损失为零点九乘二十，即十八；若同一目标的 q 为一百二十，则 y 小于 q，损失为负零点一乘负二十，即二。这样的非对称惩罚会促使模型在大量样本上调整对应分位预测。这个数值是教学演算，不是 TimesFM 3.0 真实训练过程的复现。

如果要验证区间质量，可以使用预测的低分位与高分位形成区间，再在独立测试点上统计真实目标有多少比例落在区间内。名义上十到九十分位覆盖区间对应约八成概率，但真实市场可能只有六成或九成覆盖。这说明模型有失校准现象，需要结合区间宽度与覆盖率进行评价。只报告“有九个 quantiles”并不能证明概率预测有价值。

十五、为什么负电价和尖峰会改变模型的评价结论？

电价任务与常见平稳时间序列不同的一个重要特点，是价格可能出现负值、剧烈尖峰和突然反转。这使得某些指标的解释更加复杂。比如均方根误差会放大巨大错误，平均绝对误差对每个绝对误差线性惩罚；百分比误差在真实价格接近零时可能失去稳定意义。不同指标下模型排名变化，不一定表示计算出错，可能是它们对风险的关注不同。

对于点预测，MAE 可以写为：

$$\mathrm{MAE}=\frac{1}{N}\sum_{i=1}^{N}|y_i-\hat y_i|.$$

公式本身很简单，真正需要注意的是样本集合。若一个模型只在大部分普通时间能够输出，另一个模型覆盖了全部尖峰时间，分别在自己的有效样本上计算 MAE，比较可能不公平。应尽可能使用相同预测起点和目标集合，缺失输出时单独报告覆盖率与失败原因。

还可以按真实价格符号或幅度定义事后诊断分组。但这些标签来自未来实际目标，不能在预测前就提供给在线模型选择器。例如某基础模型在负电价小时表现较差，是一种事后观察；若想在未来负电价到来之前切换模型，则必须建立仅使用当时可见信息的预测机制。不能拿真实未来符号当作门控标签，报出一个在现实中无法实现的“融合提升”。

极端样本少也会影响统计稳定性。如果一个月只有十个负价小时，某个模型在其中两小时发生很大偏差，分组 MAE 就可能剧烈变化。报告时要给出目标小时数和对应预测起点数，并观察多个独立月份是否一致。尤其重叠预测窗口可能让同一实际小时被重复计分，需要事先决定以预测起点还是唯一目标小时作为基本评价单位。

因此，在电价研究中更合理的做法是同时报告总体点预测误差、按状态的事后诊断、概率区间校准以及实际推理成本。没有任何一个指标能够独立说明模型满足了所有风险需求。基础模型的通用能力应该在与业务目标一致的评价组合中被检验。

十六、长历史不一定有用：从统计增量解释上下文长度选择

TimesFM 2.5 扩大了可接受上下文长度，3.0 也支持较长历史输入。乍一看，越长历史包含越多信息，预测理应更准确。但信息是否有用，取决于它在已知近期历史之外是否提供额外预测线索。较久远的观测可能记录过去的市场规则和季节性，也可能属于已经失效的状态。模型能够接收，不意味着它能完美区分相关与无关的信息。

考虑两个窗口：短窗口只含最近七天，长窗口含最近三个月。我们可以固定模型版本、预测时点、合法输入与评价时间段，对两个窗口分别运行。这是一个非常直接的消融实验。但它未必能证明“长历史本身造成某种变化”，因为部分模型的归一化、截断和缺失处理也可能随窗口长度改变。应当核查预处理策略，在可能范围内保持其他条件相同。

对具有明显周周期的市场，多周历史可能帮助估计某些稀有规律，但在突发政策变化之后，旧历史可能产生干扰。研究者可以提出更具体的假设：当目标环境稳定时，较长历史更可能有收益；在快速漂移时，近期窗口可能更适合。但在做出跨市场结论之前，需要独立数据验证，不能只凭一个月的例子证明普适规律。

上下文长度还直接影响实际成本。固定硬件上，从几百点增加到数千点，预处理、模型前向计算和显存占用可能变化。不同架构的复杂度结构不一样，不能只以 Transformer 某个经典二次复杂度公式推断所有基础模型的真实推理成本。最好在目标设备上用相同批量、精度和 horizon 实测，并记录模型预热与缓存情况。

更高价值的研究不是寻找一个永远最优的 L，而是理解哪些数据统计条件下远期历史具有额外信息、哪些条件下会引入无效噪声，并在未知数据上能否通过廉价诊断选择合适窗口。这个问题可以迁移到不同市场甚至不同能源系统。

十七、多尺度模型与基础模型比较：TimeMixer 到底提供了什么机制？

TimeMixer 是 ICLR 2024 的正式论文，提出用可分解的多尺度混合思想处理时间序列。根据官方摘要，模型在不同采样尺度提取不同的时间结构，用 Past-Decomposable-Mixing 模块分别混合季节和趋势成分，并通过 Future-Multipredictor-Mixing 利用多尺度预测器之间的互补性。它提供了一条和大规模预训练路线不同的建模思路。

为什么把它放进基础模型文章？因为模型复杂性可以有多种形式。有的方法依靠大规模预训练从众多序列学习可迁移模式，有的方法通过明确的多尺度与趋势分解结构引入归纳偏置。二者不是必须互相排斥，但当我们想解释新基础模型为何对某些长期趋势有优势时，简单的多尺度方法可以成为非常重要的对照。

举例来说，一条电价序列可能同时具有小时波动、工作日周期和较缓慢的季节变化。将它们在不同时间尺度上观察，可能让某些结构更容易分离。可是下采样会损失高频信息，尤其尖峰和快速反转可能在粗尺度上被平滑掉。多尺度设计既可能减少噪声，也可能抹掉业务最关心的风险事件，因此必须按评价目标判断。

不要因为 TimeMixer 的论文在某些公开预测任务上报告领先，就推断它在新负电价市场一定优于 TimesFM 3.0。更合理的使用方式是把 TimeMixer 视作一种模型机制对照：它是否更偏重稳定季节规律，基础模型是否在少量新领域数据下有更强迁移，二者在不同跨度与极端状态中的错误是否互补？这些问题需要同一数据协议下的实测才能回答。

这也提醒我们，科学研究应区别“新模型发布”与“新认识出现”。一个模型的新版本可能提供更强工具，但如果没有与适当简单机制比较，我们仍不知道改进来自哪里。研究者最有价值的工作，是把这些条件和差异变成可检验假设。

十八、滚动回测：如何模拟一个模型真正每天给出预测？

现实预测系统不会只在一个固定测试起点运行一次。它可能每天早晨在固定截止点提交未来一天的二十四步预测，之后第二天重复。滚动预测起点评价把这个过程重建在历史时间轴上：每一轮只用当时可见的信息生成预测，再把起点向前推进。这样能观察模型跨季节、不同市场状态和发布时间约束下的稳定性。

可以设计固定训练窗口或扩展训练窗口。若模型需要任务特定训练，固定窗口每次只使用最近一段历史，扩展窗口则累计所有合法过去样本；对于冻结基础模型，也可以对每次起点构造不同长度的合法历史上下文。重要的是每一轮都必须检查输入发布时间，而不能把最后下载的完整历史修订值当成当时已经可见。

假设我们选择四个独立评价月份，每天预测未来二十四小时。对每个起点，保存预测时间、目标时间、模型版本、输入来源版本和输出文件。之后既可以按月份计算总体 MAE，也可以按预测跨度计算分组误差。若某模型仅在其中一个月大幅领先，却在其他月份不稳定，就不应把一个平均领先数字直接解释为稳定可部署能力。

滚动回测也有模型选择风险。如果研究者看了四个月的测试误差，再根据这些数据不断修改窗口和协变量选择，那么这四个月事实上已经参与开发。要形成独立结论，应准备尚未用于调整方案的外部时间段，或者明确说当前结果属于开发回测。基础模型参数不更新，也不能让反复测试选择变得无害。

如果模型和数据都允许，还可以引入不同国家、市场和采样频率的外部验证。此时要仔细处理单位、时区、节假日和市场结算规则。把德国某市场的负价统计直接拿来套用另一国家的实时价差任务，可能同时改变目标、市场机制和预测截止点。只有明确差异，跨市场结论才可能有真正意义。

十九、二十四点与九十六点：预测粒度改变的不是数组长度那么简单

如果一套电价数据按小时给出每天二十四个点，另一套按十五分钟给出九十六个点，那么预测 horizon 的数字变化只是最表面的差异。更细采样通常会暴露更多短时波动、尖峰和微观事件，目标的时间相关性与可用外生变量粒度也会改变。即使把九十六点按四个分组平均为二十四点，得到的目标也不一定和市场官方小时结算规则完全一致。

例如按十五分钟预测时，某个小时内可能出现连续两个负价和两个正价，小时平均价格看起来接近零。若仅在小时目标上评估模型，就可能完全看不出它对微观快速反转的错误。反过来，九十六点可能因为样本数量更多而提高训练计算成本，但不是凭样本数量多就能够更准确预测。评价目标应由业务真正需要的时间分辨率确定。

数据发布时间的细节也会随粒度变化。某些实时数据在每个十五分钟时段后延迟发布，而日前或计划数据可能提前发布一天或多个时段。若一条回测链路将小时与十五分钟变量简单对齐，可能把未来十五分钟后才到达的真实值错误地当成当前可用。对不同粒度应分别建立预测截止点与版本筛选规则，不能直接复用另一个粒度的 as-of 文件而不审查。

还要区分模型原生接受九十六步与真实预测任务的要求。有的模型能够直接输出九十六个数，但接口未必对每一步都具有同样的外生变量覆盖；有的模型以 patch 为单位输出，还可能存在跨 patch 的边界差异。我们应当检查输出与原始目标时间一一对应，并在需要时按步长绘制误差曲线，而不是只报告整体 MAE。

因此比较二十四点和九十六点模型时，正确的问题不是哪个数字更大，而是两种时间分辨率分别能够观察和预测哪些现象、是否使用同样的信息、对业务风险有何区别，以及计算预算如何变化。这也解释了为什么模型在一个粒度上成功并不自动证明它在另一个粒度上同样有效。

二十、真正需要检查的运行成本：模型规模、许可和延迟

TimesFM 3.0 的官方代码示例能帮助我们理解如何发出预测请求，但不能直接替代本地部署测试。模型实际运行需要具体的硬件、框架版本、张量精度和输入规模。相同模型在单序列批量与多序列大批量时可能具有不同吞吐量；第一次加载 checkpoint 的时间与后续稳定推理延迟也可能差距很大。

想要比较两个模型的部署成本，至少同时记录初始化时间、预处理时间、单次前向延迟、显存峰值、批量吞吐量、输入历史长度和输出 horizon。若一款模型能够一次处理多变量，另一款必须对每个变量分别调用，实际应用的端到端成本也应据此计算，不能只拿模型内部某一步的毫秒数比较。

还应区分在线和批量业务。每晚一次性为多个区域生成未来一日预测，可以容忍较大的批量吞吐延迟；而需要几秒内响应用户请求的系统，则更在乎低批量响应和峰值耗时。模型在某个 GPU 上“更快”不等于在另一台普通笔记本上也更快。性能结论必须绑定实际设备与精度条件。

许可是另外一道与科研指标完全独立的门槛。TimesFM 3.0 的源代码属于 Apache-2.0，而其下载后自行运行的预训练权重采用限制非商用与非生产使用的独立许可。Google 官方还说明，符合授权的云服务渠道可以支持商业与生产用途。能否在特定机构内部部署、能否为客户提供收费服务，都需要根据实际授权重新判断，不能凭一个 GitHub 仓库顶部的开源许可证就自动得出结论。

模型选择表最好把科研效果和生产可部署性放在不同列。即使某个基础模型在离线基准上很好，也可能因为许可、延迟或输入不及时可得而不符合当前业务。反过来，一个容易部署的简单模型不一定提供最好的研究见解，两者可以分别保留为生产主线与科研对照。这样才能避免“指标最好”被过度泛化为“应该立刻上线”。

二十一、一个对照实验矩阵，识别收益来自哪里

为了区分模型结构、新增输入与额外训练的贡献，我们可以设计一个三因素实验。第一个因素是模型：TimesFM 2.5、TimesFM 3.0、Chronos-2 和简单统计或任务训练基线。第二个因素是输入信息：只有合法目标历史，或目标历史加合法协变量。第三个因素是适配方式：保持模型冻结、验证集选择配置，或者在允许的方案里进行微调。

并不是每个模型都原生支持全部组合。无法支持某一类别输入时，不应强迫它使用不合法的模拟接口，也不应直接把缺失项按失败分数填进表格。可以在矩阵中标记“原生不支持”“需外部适配”“实测通过”，让读者知道比较范围。若为旧模型增加额外回归器或外生特征适配器，这已经构成一个新组合，应单独报告额外参数与训练数据。

同样的输入信息条件下，可以比较模型结构的效果；同一个模型内逐步增加合法协变量，可以观察输入带来的增益；同一个模型在冻结和微调设置下的对照，则有助于评估任务适配价值。这样可以避免把三种变化同时发生后，仍将全部收益都归因于最新网络。

最初实验不需要把整个矩阵全部跑满。可以先用两种基础模型和一个简单基线，在纯历史输入下构建合法结果，再选择一个真正具有未来信息增量的协变量做小规模对照。若当前数据根本没有可审计的未来版本，则应暂停未来协变量实验，不必为了填表格而使用事后真实值。

对任何观察到的提升，都应主动搜寻反例：是否只在某一个月成立？对负电价是否恶化？对远端 horizon 是否持续？新增的计算成本是否值得？若不能从输入中提前识别哪一种模型会更好，事后观察到的误差互补也不能直接作为在线融合收益。这样的矩阵并不是为了产生更多数字，而是帮助回答更清晰的科研问题。

图三｜原创教学图：将模型版本、合法输入和适配方式拆开；某些不支持的组合必须标注而非伪造等价结果。

二十二、模型融合的一个反直觉问题：互补是否能够提前利用？

假设模型 A 在某些时刻预测较准，模型 B 在另一些时刻较准。如果我们事后观察真实目标，几乎总可以为每个时刻挑选一个误差更小的模型。这样的“事后最优选择”能够告诉我们两个模型存在潜在互补，却不能证明系统能够在预测之前识别哪一个会赢。

用平方误差可以很容易看到固定线性融合的结构。设两个预测误差为 eA、eB，融合权重为 w，则融合误差为 w eA+(1-w)eB。平方展开并取期望：

$$\mathbb E[e_{\mathrm{mix}}^2] =w^2\mathbb E[e_A^2]+(1-w)^2\mathbb E[e_B^2] +2w(1-w)\mathbb E[e_Ae_B].$$

这里的交叉项与两模型错误的同向程度有关。若错误高度同向，简单平均可能无法减少多少误差；若存在稳定互补，合理权重有机会改进。但是这条公式并没有给出未来最佳权重，且它是平方损失下的分解，不意味着 MAE 一定具有同样的表达式。

在实际项目里，最容易产生的误判是直接根据最终测试真实目标训练或调整融合选择器，然后把结果称为“智能门控”的能力。正确方案应使用预测前已经可见的输入或历史残差来训练选择机制，再在未参与选择的时间段检查它是否能稳定利用互补信息。无法提前识别时，简单固定权重甚至单模型可能更安全。

基础模型越多，这个问题越重要。拥有十种不同预训练模型并不自动意味着可以把它们全部平均获得更好结果；它们可能在相同稀有状态下一起失败，而运行成本却相加。研究者应先判断错误结构是否真正不同，以及差异是否具有可预测的信息基础，再决定是否投入复杂融合。

二十三、失败研究也需要停止条件：哪些情况暂时不要继续扩大实验？

第一个停止条件是关键信息无法回溯发布时间。如果未来协变量只保存最终修订值，而你又要声称真实业务预测，那么必须暂停该设置，直到找到合法的 as-of 历史数据或将研究目标收窄为离线分析。继续在这种输入上调参，只会让结果更难清理。

第二个停止条件是测试集已经反复参与模型选择。如果你在同一月份上不断更改历史长度、版本与协变量组合，随后又把最好的一组当成独立结果，那么正确做法是保留开发历史、冻结新方案、寻找新的独立时间段。没有新的外部数据时，也可以诚实报告开发效果，但不能自动称其为泛化验证。

第三个停止条件是复杂模型持续没有可靠增益。先确认实现、输入时点和训练预算公平，再分析它是否只是对当前任务没有新增可用信息。若多个独立时间段都无法改善简单基线，继续增加网络结构可能不如调查预训练任务与目标任务的差异。失败需要保留具体条件，而不是变成“所有基础模型无效”的笼统结论。

第四个停止条件是额外运行成本或许可不满足应用约束。即使模型作者报告领先，如果当前任务要求商业自托管，而某个权重许可不允许，就不能把它直接加入生产计划。应选择许可合适的替代模型或通过合法授权渠道使用，而不是因为开源代码可以下载就忽略权重条款。

第五个停止条件是来源证据不足。仅看到论文摘要与 GitHub README，可以介绍公开声明和 API 形状，但不能凭空写出没有查到的消融数字、训练语料细节或模型在某特定电力市场的性能。真正可靠的研究写作，应让证据边界随着正文一起呈现，而不是为了流畅叙事自行补齐不存在的事实。

二十四、八道检验理解的练习与答案

练习一： 2026 年发布的 TimesFM 3.0 官方宣布支持未来协变量，能否把测试日最终实际负荷直接送入模型？不能。合法的未来协变量必须在预测截止点之前已经可得，预报与最终实际结果不是同一版本。模型接受一个数组并不等于该数组符合业务信息合同。

练习二： TimesFM 2.5 的参数量小于早期版本，是否说明它在任意设备一定更快？不能。真实速度取决于硬件、输入长度、批量、模型实现和精度。应分别测量推理延迟与吞吐量，而不是用参数量替代性能基准。

练习三： 一个模型支持三个目标通道、历史长度128、未来长度24，并使用两条历史加未来协变量，目标与协变量形状应该怎样理解？目标历史可为3×128，两条过去未来协变量为2×152，目标预测为3×24。152来自历史加预测长度，不是某种固定的市场采样率。

练习四： 模型权重完全冻结，但研究者根据八月测试集选择了最佳窗口。这个结果还能称严格独立测试吗？不能。虽然权重没有更新，八月信息通过模型选择影响了方案。应把八月标为开发评价，使用未参与选择的时间段检查最终效果。

练习五： 某概率模型输出第十与第九十分位数，区间的真实覆盖率只有百分之六十。是否说明该区间与名义八成覆盖一致？不一致，说明在当前测试集合存在失校准现象。还要核对样本数、评价时间及区间构造方式。

练习六： 基础模型在公开综合榜单领先，是否保证它在一个负电价市场优于简单季节性基线？不能。评测任务、目标分布、输入信息与模型配置可能不同；需要在相同合法时点上进行任务特定独立验证。

练习七： 两个模型事后在不同小时交替领先，能否用真实目标挑选最优模型并宣称部署收益？不能。那是事后上界。在线门控只能使用预测前可见信息，并应在新时间段验证选择准确性。

练习八： Google TimesFM 仓库代码标记 Apache-2.0，是否可以直接把 3.0 自托管预训练权重用于任何收费生产系统？不能。官方单独声明 3.0 权重为非商用、非生产使用许可，而授权云服务渠道有不同的使用条款。必须分别核查代码、权重和具体服务授权。

完成这些问题后，应该能真正回答一篇模型发布文章最重要的三件事：它新增了什么能力，能力依赖哪些输入和使用条件，以及什么样的独立实验才能证明它对自己当前任务有价值。

二十五、一个从零接入新数据集的实际执行顺序

如果明天要把 TimesFM 3.0 作为一个新数据集的候选模型，第一步不是立即安装包，而是记录数据单位、采样频率、预测截止点、目标跨度和允许的输入版本。第二步建立能够手工复算的朴素基线，确认目标时间索引无误；第三步选择小批次历史序列，用官方示例相同的维度组织输入，先验证形状与输出时间。

第四步在明确的开发时间段上检查不同输入组合，保留每次尝试的配置与失败原因；第五步冻结一个或几个候选方案，与 Chronos-2 和简单基线在相同评价起点上比较；第六步按月份、跨度、正负价格状态等事后诊断维度展示结果，并报告运行时间。最后再判断是否需要微调、融合或其他高级模型，而不是一开始就构建大型统一工作台。

为了让结果可复现，应保存原始数据源和版本索引、模型 checkpoint 标识、依赖版本、运行配置、随机种子、预测值与真实值的匹配表。若模型不能完全冻结随机性，至少报告多次运行波动。对外展示时只公开拥有权限的数据和图表，不应因为学习需要就上传未授权的私有市场数据或他人受限制的模型权重。

如果第一轮结果表明最简单季节性模型就足够强，不必感到浪费。这样的发现可能帮助我们重新认识任务中的信息结构，甚至比盲目加复杂模型更有价值。如果基础模型在少量标签条件下明显领先，也应进一步检查收益来自通用预训练、外生变量还是额外的模型选择预算。最后留下的知识卡，应该帮助下一个研究者在新市场上更快做出正确的第一步决策。

资料来源与结论边界

1. Google Research TimesFM 官方 GitHub 与 3.0 接口示例：版本发布、2.5 与 3.0 功能、输入输出形状、模型权重许可及作者基准声明。仓库随时间更新，具体工程代码应冻结提交版本。
2. Google Research TimesFM-3 官方介绍：研究动机与官方发布背景。若页面随时间变化，应对照官方仓库、论文与发布日期。
3. Amazon Science Chronos Forecasting 官方仓库：Chronos、Chronos-Bolt、Chronos-2 的版本说明及功能接口。官方报告不等于我们独立测量。
4. GIFT-Eval 论文：跨领域、跨频率与跨跨度评测动机；本文引用其摘要层面的规模描述，不复刻其全部表格。
5. ICLR 2024 TimeMixer 正式论文页面：多尺度分解与混合思想，作为区别于基础模型预训练的机制对照。
6. 本文所有电价、天气与输入矩阵演算属于原创教学例子；没有访问任何未公开实验数据，也没有执行新的 TimesFM 3.0 或 Chronos-2 GPU 性能测试。关于负价格、尖峰或跨月迁移的讨论是可检验的研究设计，不等于已被本篇实验证明的普适结论。

这篇课程的核心收获不是知道一个新模型排名第一，而是能够在拿到任何新的时序基础模型时，迅速审查版本差异、合法输入、评估独立性、输出语义和部署许可。只有把这些条件统一之后，才有资格讨论哪个模型真正提供了额外预测能力。