Quanto você vai vender na semana que vem? TimesFM-3 e ChatGPT
🇬🇧 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.
| Modelo | Quem faz | Licença dos pesos | Só CPU | Observações |
|---|---|---|---|---|
| TimesFM-3 | Google Research | não comercial | não verificado | uso comercial pelo BigQuery |
| TimesFM 2.5 | Google Research | Apache 2.0 | não verificado | a versão anterior |
| Timestral | Mistral AI | Modified MIT | sim, declarado | de 5 a 209 milhões de parâmetros; gratuito abaixo de 20 milhões de dólares de faturamento mensal do grupo |
| Chronos-2 | Amazon | Apache 2.0 | sim, testado abaixo | 120 milhões de parâmetros; séries relacionadas e covariáveis juntas |
| Toto 2.0 | Datadog | Apache 2.0 | não verificado | de 4 milhões a 2,5 bilhões de parâmetros; treinado em métricas de observabilidade |
| TiRex-2 | NXAI | Apache 2.0 | sim, declarado | imagem Docker para CPU e versão ONNX |
| TimeGPT | Nixtla | pesos 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
- Google Research, TimesFM-3: a zero-shot foundation model for multivariate forecasting.
- Repositório do TimesFM no GitHub: código Apache 2.0, pesos até a 2.5 Apache 2.0, backend MLX.
- TimesFM-3 no Hugging Face e o texto da TimesFM Non-Commercial License v1.0.
- TimesFM 2.5 no Hugging Face, licença Apache 2.0.
- Google Cloud, TimesFM no BigQuery.
- Mistral AI, Timestral no GitHub, model card e licença.
- Amazon Science, Introducing Chronos-2 e o relatório técnico.
- Datadog, Toto 2.0 e a coleção no Hugging Face.
- NXAI, TiRex-2 no Hugging Face.
- Nixtla, TimeGPT.
- Dataset: monthly car sales in Quebec, 1960-1968.
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.
Comments