Become a member!

Quanto você vai vender na semana que vem? TimesFM-3 e ChatGPT

🌐
Este artigo também está disponível em outros idiomas:
🇬🇧 English  •  🇮🇹 Italiano  •  🇪🇸 Español  •  🇩🇪 Deutsch  •  🇫🇷 Français

Você já colou o histórico de vendas no ChatGPT para saber quanto vai vender no mês que vem? O TimesFM-3 do Google se baixa de graça no Hugging Face, mas o que a licença deixa você fazer na empresa? Que alternativas você pode colocar dentro de um produto que vende? E como saber se uma previsão se sustenta nos seus dados? Rodei um backtest de verdade para ver.

Você já deve ter colado num chat com IA as vendas dos últimos dois anos e perguntado quanto vai vender no próximo trimestre. A resposta chega bem escrita, com números dentro. Só que um modelo de linguagem é treinado para prever a próxima palavra de um texto. Com números, no melhor caso ele escreve na hora um pequeno cálculo estatístico. No pior, devolve um valor plausível. Nos dois casos, ninguém mediu quanto essa previsão erra nos seus dados.

Para números existem modelos feitos sob medida. Na bit Time Professionals trabalhamos há anos com modelos de machine learning para previsão de demanda e de vendas, carga de sistemas e evolução do estoque. Este artigo é a versão escrita do episódio 15 do while true do; (em italiano), com o código e a saída de um backtest que rodei para escrevê-lo.

Neste artigo

O que é um modelo de fundação para séries temporais?

Até pouco tempo atrás, para fazer forecasting você precisava treinar um modelo sob medida para cada série: as vendas de uma loja, a carga de um servidor, o consumo de uma fábrica. Os Time Series Foundation Models, modelos de fundação para séries temporais, já vêm treinados em enormes quantidades de séries temporais. Você os usa nos seus números do jeito que estão, sem retreinar: é o que se chama previsão zero-shot.

A ideia vem dos modelos de linguagem. O TimesFM pega a mesma arquitetura e a adapta aos números. Em vez de quebrar uma frase em palavras, divide a série em pequenos blocos de valores consecutivos (os patches) e aprende a prever o bloco seguinte.

TimesFM-3, o que faz

O Google Research lançou o TimesFM-3 em 31 de agosto de 2026. Ele tem 330 milhões de parâmetros e, segundo o blog do Google, foi treinado em mais de um trilhão de pontos temporais, entre dados reais e sintéticos. O Google o declara primeiro, entre os foundation models, em três benchmarks: GIFT-Eval, fev-bench e TIME.

A novidade que importa para quem desenvolve aplicações são as previsões multivariadas com covariáveis. Multivariada quer dizer que o modelo prevê várias séries juntas, levando em conta como uma influencia a outra. As covariáveis são os fatores externos que explicam os números: o clima, os feriados, as promoções. O TimesFM-3 aceita tanto as que você só conhece no passado quanto as que já são conhecidas para o futuro, como as datas das liquidações.

Pegue um serviço de entrega em domicílio. O histórico de pedidos sozinho mostra uma curva quase plana. Se você passa também o clima para o modelo, ele descobre que nos fins de semana de chuva os pedidos subiram, e se a previsão do tempo anuncia chuva para o próximo sábado, a previsão de pedidos sobe. Então você repõe o estoque e organiza os turnos antes de ficar sem mercadoria.

Ele também roda em Macs com Apple Silicon, com um backend MLX que não precisa do PyTorch, e o repositório já traz um arquivo de instruções para agentes de IA.

O que diz a licença

O código do TimesFM no GitHub está em Apache 2.0. Os pesos do TimesFM-3 se baixam de graça no Hugging Face, mas com uma licença nova, a TimesFM Non-Commercial License v1.0. Até a 2.5, os pesos também eram Apache 2.0.

A licença define assim o uso não comercial:

“Non-Commercial Purpose” means use for testing, evaluation, or research not tied to commercial gain, production deployment, or revenue generation. This includes internal benchmarking, academic research, and experimentation on private or public datasets, provided the results are not used in commercial decision-making, client deliverables, or paid products/services.

Ou seja, você pode testá-lo e avaliá-lo até dentro de uma empresa, mas só enquanto os resultados não servirem para decisões comerciais. Se você usa a previsão para decidir quanta mercadoria comprar, esse uso não está coberto, mesmo que o modelo rode só no seu servidor e nenhum cliente o veja. O README diz isso sem rodeios: “Commercial or production use of downloaded / self-hosted weights is not permitted”.

Para uso comercial, o Google indica o BigQuery. A documentação do Google Cloud diz que lá o uso é regido pelos termos do Google Cloud, que o permitem, e que a licença não comercial vale só para os pesos baixados. Os guias sobre o multivariado no BigQuery, porém, ainda estão marcados como Preview.

Se em vez disso você quer rodar o modelo em casa, ou distribuí-lo junto com o seu software, o TimesFM 2.5 continua em Apache 2.0. Antes de decidir, leia a licença inteira e passe para quem cuida dos contratos na sua empresa ler também: o link está nas fontes, no fim.

As alternativas

Se você quer um motor de previsão dentro do seu sistema de gestão, em servidores comuns sem placa de vídeo e com uma licença que deixe você vendê-lo, as alternativas existem. Esta é a situação em 17 de novembro de 2026, tirada dos model cards e dos repositórios oficiais.

ModeloQuem fazLicença dos pesosSó CPUObservações
TimesFM-3Google Researchnão comercialnão verificadouso comercial pelo BigQuery
TimesFM 2.5Google ResearchApache 2.0não verificadoa versão anterior
TimestralMistral AIModified MITsim, declaradode 5 a 209 milhões de parâmetros; gratuito abaixo de 20 milhões de dólares de faturamento mensal do grupo
Chronos-2AmazonApache 2.0sim, testado abaixo120 milhões de parâmetros; séries relacionadas e covariáveis juntas
Toto 2.0DatadogApache 2.0não verificadode 4 milhões a 2,5 bilhões de parâmetros; treinado em métricas de observabilidade
TiRex-2NXAIApache 2.0sim, declaradoimagem Docker para CPU e versão ONNX
TimeGPTNixtlapesos não disponíveis para download-só API e SDK pagos

Então, se você precisa distribuir o modelo junto com o seu software, hoje sem amarras de licença você tem Chronos-2, Toto 2.0, TiRex-2 e TimesFM 2.5, e o Timestral enquanto a sua empresa ficar abaixo do limite.

Com os rankings, recomendo cautela. O Google declara o TimesFM-3 primeiro, a Mistral apresenta o Timestral como melhor que o TimesFM-3, a Datadog reivindica o primeiro lugar para o Toto 2.0. Cada um escolhe os benchmarks e as métricas, e nenhum ranking diz quanto o modelo erra nos seus dados.

O backtest, na prática

Para saber isso, você faz um backtest. Esconde do modelo os últimos meses do histórico, pede que ele os preveja e compara a previsão com o que aconteceu de fato. Depois faz o mesmo teste com a previsão mais simples que existe, ou seja, “cada mês igual ao mesmo mês do ano anterior”. Se o modelo não vence nem essa, nos seus dados ele não serve.

Fiz isso com o Chronos-2, escolhido porque está em Apache 2.0 e roda em CPU. Como dados usei as vendas mensais de carros no Quebec de 1960 a 1968, 108 meses, um dataset didático público (CSV no GitHub). Python 3.12, chronos-forecasting 2.3.2, PyTorch 2.15 só CPU:

pip install torch --index-url https://download.pytorch.org/whl/cpu
pip install chronos-forecasting pandas
import sys
import pandas as pd
from chronos import BaseChronosPipeline

# Monthly car sales in Quebec, 1960-1968 (108 months)
df = pd.read_csv(sys.argv[1])
df = df.rename(columns={"Month": "timestamp", "Sales": "target"})
df["timestamp"] = pd.to_datetime(df["timestamp"])
df["id"] = "quebec_cars"

MONTHS = 12
history, hidden = df.iloc[:-MONTHS], df.iloc[-MONTHS:]

# Chronos-2 sees only the history and must forecast the 12 hidden months
pipeline = BaseChronosPipeline.from_pretrained("amazon/chronos-2", device_map="cpu")
pred = pipeline.predict_df(history, prediction_length=MONTHS, quantile_levels=[0.1, 0.5, 0.9],
                           id_column="id", timestamp_column="timestamp", target="target")
chronos = pred["predictions"].to_numpy()

# Naive forecast: each month equals the same month of the previous year
naive = history["target"].iloc[-MONTHS:].to_numpy()

actual = hidden["target"].to_numpy()
print(f"{'month':<8}{'actual':>8}{'naive':>9}{'chronos':>9}")
for m, a, n, c in zip(hidden["timestamp"], actual, naive, chronos):
    print(f"{m:%Y-%m}  {a:>8.0f}{n:>9.0f}{c:>9.0f}")

def mape(forecast):
    return (abs(actual - forecast) / actual).mean() * 100

print(f"\nmean error (MAPE)  naive: {mape(naive):.1f}%  chronos: {mape(chronos):.1f}%")

Esta é a saída, completa:

Loading weights: 100%|##########| 170/170 [00:00<00:00, 187.73it/s]
month     actual    naive  chronos
1968-01     13210    12225    13652
1968-02     14251    11608    14483
1968-03     20139    20985    20187
1968-04     21725    19692    22934
1968-05     26099    24081    23580
1968-06     21084    22114    21527
1968-07     18024    14220    16177
1968-08     16722    13434    13864
1968-09     14385    13598    13231
1968-10     21342    17187    17058
1968-11     17180    16119    17327
1968-12     14577    13713    14852

mean error (MAPE)  naive: 10.8%  chronos: 6.7%

A coluna actual traz as vendas reais, naive a previsão simples e chronos a do modelo. Nesta série o Chronos-2 erra em média 6,7%, a previsão simples 10,8%. Duas execuções seguidas dão os mesmos números. No meu PC, só CPU, uma previsão leva cerca de um décimo de segundo, medido como média de cinco chamadas depois do primeiro carregamento.

Dois cuidados antes de tirar conclusões. É uma série só, um ano só. E o dataset é público e muito usado, então um modelo treinado com dados coletados na internet pode já tê-lo visto. É justamente por isso que o teste que conta é o feito nos seus dados, que nenhum modelo viu. O código continua igual: você troca o CSV e as duas colunas.

Por onde começar

Pegue uma série que você conhece bem, por exemplo as vendas mensais de uma linha de produtos dos últimos três anos, e refaça o backtest acima. Se o modelo vence a previsão simples, acrescente uma covariável que você já sabe que pesa, como as promoções, e veja se o erro cai. Se não vence, você para por ali, antes de ter gasto um projeto inteiro.

Estou convencido de que quase toda empresa, a começar pelas pequenas e médias, já tem em casa os dados certos para usar esses modelos sem mudar o jeito como trabalha. Na bit Time Professionals oferecemos trinta minutos de consultoria gratuita para olhar junto com você os seus processos e entender onde a IA, incluindo esses modelos, traz uma vantagem concreta. Escreva para professionals@bittime.it.

O episódio está em while true do; (em italiano). A conversa sobre critérios mensuráveis no lugar da confiança na ferramenta é a do episódio 14 sobre Uncle Bob (em italiano), e sobre o que verificar no código escrito pela IA há o artigo Zero erros, CI verde, código de IA: quem realmente pensou nisso?. Para perguntas ou correções: whiletruedopodcast@bittime.it.

Fontes

Fatos principais

Artigo de Daniele Teti (bit Time Professionals), versão escrita do episódio 15 do podcast "while true do;" (que existe só em italiano), sobre o TimesFM-3 do Google e os Time Series Foundation Models para previsão de demanda e de vendas na empresa.

  • TimesFM-3 (Google Research, 31 de agosto de 2026): 330 milhões de parâmetros, treinado em mais de um trilhão de pontos temporais, declarado primeiro entre os foundation models em GIFT-Eval, fev-bench e TIME; aceita covariáveis passadas e futuras e previsões multivariadas.
  • Licença: código Apache 2.0; pesos do TimesFM-3 sob a TimesFM Non-Commercial License v1.0, que exclui o uso dos resultados em decisões comerciais, entregas a clientes e produtos pagos, mesmo dentro de uma empresa. Uso comercial pelo BigQuery (termos do Google Cloud). Os pesos até o TimesFM 2.5 continuam Apache 2.0.
  • Alternativas com pesos Apache 2.0: Chronos-2 (Amazon), Toto 2.0 (Datadog), TiRex-2 (NXAI). O Timestral (Mistral AI) usa uma Modified MIT com limite de 20 milhões de dólares de faturamento mensal. O TimeGPT (Nixtla) está disponível só via API.
  • Backtest rodado pelo autor com o Chronos-2 em CPU (vendas mensais de carros no Quebec 1960-1968, últimos 12 meses escondidos): MAPE de 6,7% contra 10,8% da previsão sazonal simples; cerca de 0,1 segundo por previsão. Uma série só, dataset público talvez visto no treinamento: o teste que conta é nos próprios dados.
  • Autor: Daniele Teti, bit Time Professionals. Consultoria gratuita de trinta minutos: professionals@bittime.it.

Perguntas frequentes

Dá para usar o TimesFM-3 na empresa?
Os pesos do TimesFM-3 para download estão sob a TimesFM Non-Commercial License v1.0: permitem teste, avaliação e pesquisa, inclusive na empresa, desde que os resultados não sirvam para decisões comerciais, entregas a clientes ou produtos pagos. Para uso comercial, o Google indica o BigQuery. Os pesos até o TimesFM 2.5 continuam Apache 2.0.
Quais modelos de fundação para séries temporais têm licença comercial livre?
Em 17 de novembro de 2026, têm os pesos em Apache 2.0 o Chronos-2 da Amazon, o Toto 2.0 da Datadog, o TiRex-2 da NXAI e o TimesFM 2.5 do Google. O Timestral da Mistral AI é gratuito abaixo de 20 milhões de dólares de faturamento mensal. O TimeGPT da Nixtla está disponível só via API.
O ChatGPT consegue fazer previsão de vendas?
Um modelo de linguagem é treinado para prever a próxima palavra de um texto. Com números, ele pode escrever na hora um cálculo estatístico ou devolver um valor plausível, mas ninguém mede quanto ele erra nos seus dados. Para séries numéricas existem modelos feitos sob medida, que você verifica com um backtest.
Como verificar uma previsão feita com IA?
Com um backtest: você esconde do modelo os últimos meses do histórico, pede que ele os preveja e compara a previsão com os valores reais, e depois repete o teste com uma previsão simples, como o mesmo mês do ano anterior. No teste do artigo, o Chronos-2 tem um erro médio de 6,7% contra 10,8% da previsão simples.
É preciso GPU para os modelos de fundação para séries temporais?
Nem sempre. O Timestral e o TiRex-2 declaram suporte a CPU, e no backtest do artigo o Chronos-2 levou cerca de um décimo de segundo por previsão num PC só com CPU.

Comments