用途：对销售、需求、传感器、价格、天气等单变量时间序列做零样本预测，无需训练自定义模型，直接输出点预测与分位数预测区间（TimesFM 2.5 输出10列，索引0为均值、1为q10、5为中位数、9为q90；TimesFM 3.0 输出9列q10–q90，中位数在索引4）。支持批量预测多个序列，上下文长度最大16,384。
主要能力：TimesFM 2.5（200M参数、Apache-2.0权重）为默认，支持 XReg 协变量（动态/静态数值与类别）；TimesFM 3.0（约330M参数）支持多变量与原生过去/未来协变量，但其权重为非商业许可，仅可用于非商业研究。模型不含内置异常检测，但可用分位数区间判断异常：落在80%区间（q10–q90）外视为统计罕见，落在60%区间外为警告。不支持时间序列分类、聚类、分段、相似性检索、可解释系数的 ARIMA/VAR/格兰杰检验以及表格非时序预测。
使用方式：首次加载前先运行 python scripts/check_system.py 做系统预检（检查RAM、GPU显存、磁盘、Python 3.10+与安装状态，RAM低于2GB阻止、低于4GB警告）；可用 python scripts/check_system.py --model v3.0 检查3.0。安装示例：uv pip install "timesfm[torch]"（默认2.5+3.0，PyTorch后端）、uv pip install "timesfm[torch,xreg]"（含XReg协变量，增加JAX与scikit-learn）、uv pip install "timesfm[mlx]"（Apple芯片运行3.0）、uv pip install "timesfm[flax]"（2.5的JAX/Flax后端）。权重不随仓库分发，首次使用时从HuggingFace按需下载并缓存于 ~/.cache/huggingface/。CSV批量预测可用 python scripts/forecast_csv.py input.csv --horizon 24 --date-col date --value-cols sales,revenue --output forecasts.csv。使用 XReg 的 forecast_with_covariates() 需安装 timesfm[xreg]，且模型须以 return_backcast=True 编译，否则抛出 ValueError。
适用场景：无训练数据的快速预测、需要校准预测区间的概率预测、成百上千条序列的批量预测、以基础模型替代手工调参的 ARIMA/ETS、含已知未来驱动因素的预测。
限制：TimesFM 3.0 权重为非商业许可，仅限非商业研究；旧版 1.0/2.0 检查点需 timesfm==1.3.0 且已归档；硬件需求随模型版本不同（2.5 建议CPU RAM≥4GB、GPU显存≥2GB，3.0 建议RAM≥6GB、显存≥4GB）。其他未在资料中说明的细节暂未提供。