‏TimesFM 3 رو روی لپ‌تاپ خودت اجرا کن

TimesFM 3 مدل پایهٔ گوگل ریسرچ برای پیش‌بینی سری زمانیه: فروش، ترافیک، داده‌ی سنسور، مصرف اپ. یه ترنسفورمر decoder-only با ۳۳۰ میلیون پارامتر که روی بیش از هزار میلیارد نقطهٔ زمانی pre-train شده، و همین باعث می‌شه پیش‌بینی zero-shot بده؛ یعنی یه CSV از مقادیر گذشته بهش می‌دی و ادامه‌ش رو می‌گه، بدون هیچ مرحلهٔ fine-tune. وزن‌ها روی Hugging Face با نام google/timesfm-3.0-pytorch و به شکل safetensors منتشر شده.

مسیر نصب محلی چیز عجیبی نداره: ریپوی TimesFM رو از گیت‌هاب کلون می‌کنی، از ریشهٔ ریپو پیش‌نیازها رو با uv (پکیج‌منیجر سریع پایتون) نصب می‌کنی که معمولاً دو سه دقیقه بیشتر طول نمی‌کشه، وزن‌ها رو دانلود می‌کنی و بعد یه اسکریپت پایتون مدل رو روی GPU یا CPU لود می‌کنه و روی CSV خودت inference می‌گیره. چون مدل فقط ۳۳۰ میلیون پارامتر داره، دانلودش هم در مقایسه با مدل‌های زبانی خیلی سبکه.

بخش جالبِ تست نویسنده سخت‌افزار بود. روی یه ماشین اوبونتو با کارت گرافیک مجزا، مصرف VRAM موقع inference حدود ۱.۶ تا ۱.۷ مگابایت مونده بود، که برای هر GPU امروزی عملاً هیچه. نتیجه‌ش اینه که نه کارت گرافیک گرون لازمه، نه اجاره‌ی GPU ابری؛ اجرا روی لپ‌تاپ بدون GPU مجزا یه گزینهٔ واقعیه نه راه‌حل اضطراری. این دقیقاً برعکس مدل‌های زبانیه که اول از همه به سقف VRAM می‌خورن.

قابلیت شاخص مدل هم covariate هست؛ یه سیگنال دوم که رویدادهای معلومِ آینده رو علامت می‌زنه. تو دموی مقاله، CSV دو ستون داشت: تعداد کاربر روزانهٔ یه اپ دوست‌یابی و یه پرچم برای روزهای فصل Pride سیدنی. تاریخچه تا اوایل فوریه به مدل داده شد و ۳۰ روز بعدی کنار گذاشته شد تا نتیجه با واقعیت مقایسه بشه. اجرای کور فقط ریتم هفتگی رو ادامه داد و جهش رو ندید، ولی اجرای دوم با همون پرچم تقریباً روی مقدار واقعی نشست.

عدد اختلاف: میانگین قدرمطلق خطا از حدود ۳۰۰۰ کاربر در روز تو حالت کور به حدود ۱۰۰۰ کاربر رسید، یعنی سه برابر بهتر با یه ستون اضافه. نویسنده در عین حال هشدار می‌ده که این یه مدل عمومیه نه مدلی که روی رفتار خاص کسب‌وکار شما آموزش دیده باشه، پس قبل از تکیه‌کردن بهش تو تصمیم‌های مهم، همین مقایسهٔ کور در برابر covariate رو روی دادهٔ کنارگذاشتهٔ خودت اجرا کن. با این مصرف سخت‌افزاری، هزینهٔ این تست تقریباً هیچیه.

نکات کلیدی:

• وزن‌ها روی Hugging Face با نام google/timesfm-3.0-pytorch و در قالب safetensors منتشر شده.

• مصرف VRAM موقع inference تو تست حدود ۱.۶ تا ۱.۷ مگابایت بود؛ اجرای CPU-only کاملاً عملیه.

• نصب محلی: کلون ریپو از گیت‌هاب، نصب پیش‌نیازها با uv، دانلود وزن‌ها، اجرای اسکریپت.

• افزودن یه ستون covariate خطای MAE رو از حدود ۳۰۰۰ به حدود ۱۰۰۰ کاربر در روز رسوند.

• مدل ۳۳۰ میلیون پارامتر داره و روی بیش از هزار میلیارد نقطهٔ زمانی pre-train شده.