用途：TimesFM Forecasting 技能用于对任意单变量时间序列做零样本预测，无需训练自定义模型。适用销售、需求、传感器、生命体征、价格、天气等序列，支持 1 到 16384 个上下文点，并可批量预测数百至数千条序列。它不适用于需要系数解释的经典统计模型、时间序列分类或聚类、多变量 VAR/格兰杰因果，也不适用于非时序表格数据；这些场景资料建议分别使用 statsmodels、aeon、scikit-learn。模型本身不含异常检测，可用分位数区间代替：落在 90% 区间（q10–q90）外的值视为统计异常。
主要能力：TimesFM 2.5 为 200M 参数解码器模型，磁盘约 800 MB，CPU 内存约 1.5 GB，GPU 显存约 1 GB，上下文最长 16384；归档的 500M 版本需约 32 GB 内存，建议优先用 2.5。forecast() 返回点预测（中位数）和形状为 (batch, horizon, 10) 的分位数预测，可提取 80% 与 60% 预测区间。2.5 起通过 forecast_with_covariates() 支持外生变量，需安装 timesfm[xreg]，协变量分动态数值、动态分类、静态数值、静态分类四类，模式有 "xreg + timesfm" 和 "timesfm + xreg"。
使用方式：先运行 python scripts/check_system.py 做强制预检，检查 RAM、GPU 显存、磁盘空间、Python 版本（需 3.10+）及是否已安装。可用 uv pip install timesfm[torch] 或 pip install timesfm[torch]，JAX/Flax 后端用 timesfm[flax]；PyTorch 按硬件选择 CUDA 或 CPU 索引安装。加载后用 model.compile(timesfm.ForecastConfig(...)) 配置，再用 model.forecast(horizon=N, inputs=[...]) 预测。模型权重约 800 MB，首次使用时从 HuggingFace 按需下载并缓存。
限制：必须先行系统预检；内存低于 2 GB 会阻止加载，2–4 GB 仅警告且需 CPU、小批量。无 GPU 时可用但更慢。资料未提供价格、收费、准确率或平台支持等更多信息。