구글 TimesFM-3는 파라미터 3억 3,000만으로 다변량 시계열 예측을 한 번의 순전파로 끝낸다

구글 리서치는 2026년 8월 31일 공개한 TimesFM-3에서 파라미터 3억 3,000만 규모 모델이 다변량 시계열 예측 구간 전체를 자기회귀 반복 없이 한 번의 순전파로 생성한다고 밝혔다. 이 모델은 1조 개가 넘는 시점으로 구성된 실측 및 합성 코퍼스로 사전학습됐고, 구글은 GIFT-Eval과 FEV-Bench, TIME 리더보드에서 점 예측과 확률 예측 지표 모두에서 사전학습 파운데이션 모델 가운데 1위라고 주장했다. 저자는 아유시 자인과 라자트 센을 포함한 구글 리서치 연구진이다. TimesFM-3는 직전 버전 TimesFM-2.5와 달리 아파치 2.0이 아닌 비상업 라이선스로 배포된다.

시간축과 계열축을 층마다 번갈아 보는 어텐션

TimesFM-3의 구조적 핵심은 두 방향의 어텐션을 층마다 교대로 적용하는 설계다. 인과 시간 어텐션은 토큰이 시간축을 따라 수평으로 참조하고, 전체 변량 어텐션은 토큰이 여러 계열을 가로질러 수직으로 참조한다. 구글은 이 교대 구조가 시간 패턴 학습과 계열 간 관계 모델링을 함께 가능하게 한다고 설명했다.

허깅페이스 모델 카드는 구현 세부를 더 밝힌다. 구성은 층 20개, 모델 차원 1280, 헤드 16개이며, 컨텍스트 패치 길이는 32, 예측 구간 패치 길이는 64다. 카드는 이 구조를 변량 어텐션과 CPM 반복 RevIN을 결합한 적층 믹싱 트랜스포머로 표기한다. 출력은 10분위부터 90분위까지 9개 분위이고 중앙값이 네 번째 인덱스에 놓인다.

계열축 어텐션이 붙는다는 사실이 이 버전의 실질적 변화다. 단변량 시계열 모델은 계열 하나를 다른 계열과 무관하게 처리하므로, 여러 지표가 같은 원인으로 함께 움직이는 상황을 구조적으로 표현하지 못한다. 매장별 매출이 하나의 프로모션에 함께 반응하거나 여러 센서가 하나의 설비 이상에 함께 반응하는 경우가 여기 해당한다. 계열을 가로지르는 어텐션은 이 공통 요인을 별도 특징 공학 없이 모델 안에서 다루겠다는 선언이다.

예측 구간을 한 번에 채우는 결정과 그 대가

TimesFM-3는 연속 패치 마스킹 기법으로 예측 구간의 마스킹된 패치를 동시에 채우며, 반복 루프가 없다. 구글은 이전 TimesFM 버전이 예측을 반복적으로 생성했고 그 방식이 지연 시간과 오차 누적, 연산 비용을 함께 발생시켰다고 밝혔다. 한 번의 순전파는 이 세 문제를 동시에 겨냥한 선택이다.

오차 누적은 장기 예측에서 특히 실무적인 문제다. 자기회귀 방식은 직전 스텝의 예측을 다음 스텝의 입력으로 쓰므로, 초반의 작은 편향이 구간이 길어질수록 증폭된다. 90일이나 12개월 단위 계획을 세우는 팀이 파운데이션 모델보다 통계 기반 방법을 고수해 온 이유 가운데 하나가 이 지점이었다. 구간 전체를 한 번에 예측하면 각 시점이 관측된 입력에만 조건부로 놓이므로 이 증폭 경로 자체가 사라진다.

대가는 유연성에 걸린다. 자기회귀 디코딩은 원하는 만큼 계속 이어 붙일 수 있지만, 구간을 한 번에 생성하는 구조는 학습 시 정의된 예측 구간 패치 길이가 곧 설계 제약이 된다. 예측 구간 패치 길이 64라는 값은 이 제약이 어디에 놓이는지를 보여주는 숫자이며, 그보다 훨씬 긴 구간이 필요한 사용처에서는 패치를 이어 붙이는 별도 처리가 다시 등장한다. 발표문은 실제 지원 최대 구간 길이를 명시하지 않았다.

공변량 지원이 이 발표에서 가장 실무적인 부분

TimesFM-3는 세 종류의 공변량을 지원한다. 여러 타깃을 동시에 예측하는 다중 타깃, 과거 값만 아는 과거 공변량, 그리고 미래에 알려진 사건을 예측에 반영하는 과거·미래 동적 공변량이다. 구글은 세 번째 유형을 알려진 미래 사건을 활용해 예측을 유도하는 기능으로 설명했다.

세 번째 유형이 산업 현장의 예측 문제와 실험실 벤치마크를 가르는 경계다. 실무의 수요 예측은 순수한 시계열 외삽이 아니라 조건부 예측이다. 다음 달 프로모션 일정, 신규 매장 개점일, 공휴일 배치가 이미 확정된 상태에서 그 조건 아래 수요를 묻는 문제이기 때문이다. 이 조건을 넣을 자리가 없는 모델은 벤치마크 점수와 무관하게 도입 단계에서 탈락한다.

한국 시장에서는 이 기능의 가중치가 더 크다. 설과 추석이 음력을 따라 매년 다른 양력 날짜에 놓이므로, 고정된 계절성 주기를 학습하는 방식으로는 명절 수요가 제대로 잡히지 않는다. 연휴 배치와 대체공휴일 여부까지 미래 공변량으로 넣을 수 있는 구조는 국내 유통과 물류 수요 예측에서 곧바로 차이를 만드는 지점이다. 다만 이 기대치는 구글이 공개한 기능 설명에서 나온 것이며, 한국 데이터에서의 성능은 발표문이 다루지 않았다.

1위 주장은 있는데 점수표가 없다

구글이 제시한 성능 근거는 GIFT-Eval과 FEV-Bench, TIME 리더보드 세 곳에서 점 예측과 확률 예측 지표 모두 사전학습 파운데이션 모델 가운데 최상위라는 서술이다. 비교 대상으로는 Chronos-2와 Toto 2.0 계열, 직전 버전 TimesFM-2.5가 언급됐다. 발표문 본문에는 개별 지표값이나 2위와의 격차가 수치로 제시되지 않았다.

순위 서술과 점수 서술은 검증 가능성이 다르다. 순위는 리더보드 갱신에 따라 다음 주에 바뀔 수 있는 값이고, 격차가 0.1%인 1위와 5%인 1위는 도입 판단에서 완전히 다른 의미를 갖는다. 세 벤치마크가 모두 공개 리더보드이므로 외부에서 확인할 경로 자체는 열려 있지만, 발표 시점의 순위를 그대로 인용하는 것과 재현된 점수를 인용하는 것은 같지 않다.

한 가지 더 짚을 조건이 있다. 1조 개 이상의 시점으로 사전학습한 모델을 공개 시계열 벤치마크에서 평가하는 구성은 학습 코퍼스와 평가셋의 분리를 외부가 확인할 수 없다는 문제를 안고 있다. 구글은 코퍼스를 실측과 합성의 혼합으로만 설명했고 구성 목록을 공개하지 않았다. 제로샷이라는 표현이 성립하려면 평가 데이터가 학습에 포함되지 않았다는 조건이 필요한데, 이 조건은 현재 발표 자료만으로는 확인되지 않는다.

아파치 2.0에서 비상업 라이선스로 바뀐 배포 조건

TimesFM-3에서 가장 실무적 영향이 큰 변화는 성능이 아니라 라이선스다. 허깅페이스 모델 카드 기준으로 파라미터 2억 개 버전인 TimesFM-2.5는 아파치 2.0으로 배포됐지만, TimesFM-3는 TimesFM 비상업 라이선스 1.0으로 배포된다. 가중치가 공개돼 있다는 사실과 상업적으로 쓸 수 있다는 사실이 이 버전에서 분리됐다.

이 변화는 업그레이드 경로를 끊는다. TimesFM-2.5를 상용 서비스의 수요 예측에 넣어 둔 팀은 3.0으로 가중치만 교체할 수 없고, 성능 개선을 얻으려면 라이선스 조건을 새로 검토해야 한다. 구글이 발표문에서 BigQuery 연동이 몇 주 안에 들어온다고 밝힌 대목이 이 구조와 맞물린다. 상업적 사용의 정식 경로가 자체 가중치 실행이 아니라 관리형 서비스 쪽으로 정리되는 그림이다.

파운데이션 모델 공개 전략이라는 관점에서 보면 이 조합은 일관적이다. 가중치를 공개해 연구 커뮤니티가 벤치마크와 논문에서 모델을 다루게 하고, 상업적 수요는 클라우드 제품으로 회수한다. 다만 이 전략이 시계열 파운데이션 모델 생태계에 미치는 영향은 언어 모델과 다르다. 시계열 분야에서 자체 서빙 비중이 높은 이유는 예측 대상 데이터가 대개 사내 운영 데이터이고 외부 전송에 제약이 걸리기 때문이며, 그 제약이 있는 조직에는 비상업 라이선스와 관리형 서비스 어느 쪽도 답이 되지 않는다.

도입을 검토하는 팀이 먼저 확인할 것

국내 팀이 TimesFM-3 도입을 검토한다면 성능 비교보다 앞서 확인할 항목이 세 가지다. 첫째는 라이선스 적용 범위다. 사내 분석과 상용 서비스 제공 사이 어디까지가 비상업에 해당하는지는 TimesFM 비상업 라이선스 1.0 원문에서 직접 확인해야 하며, 발표문의 성능 서술로는 판단할 수 없다.

둘째는 미래 공변량 설계다. 이 모델의 차별점이 조건부 예측 지원에 있으므로, 프로모션 일정과 공휴일, 가격 변경처럼 미래에 확정된 값을 어떤 형태로 정리해 둘지가 도입 성패를 가른다. 셋째는 비교군 설정이다. 구글이 명시한 비교 대상은 Chronos-2와 Toto 2.0 계열이지 사내에서 튜닝한 그래디언트 부스팅이나 통계 모델이 아니며, 파운데이션 모델 사이의 1위가 특정 도메인 데이터에 맞춰 학습된 전용 모델보다 낫다는 뜻은 아니다.

2026년 8월 31일 기준으로 확인된 것은 TimesFM-3가 파라미터 3억 3,000만 규모로 다변량과 공변량을 지원하며 예측 구간을 한 번에 생성하고, 깃허브와 허깅페이스에서 비상업 라이선스로 받을 수 있다는 사실이다. 벤치마크별 구체 점수와 학습 코퍼스 구성, 최대 예측 구간 길이는 공개되지 않았고, BigQuery 연동은 아직 예고 단계다.

출처: 구글 리서치 블로그 'TimesFM-3: A zero-shot foundation model for multivariate forecasting'(2026년 8월 31일, 저자 아유시 자인·라자트 센, 공저 이천 저우·페트로스 몰·아비마뉴 다스·사메트 오이막. 파라미터 3억 3,000만, 1조 시점 이상 실측·합성 코퍼스 사전학습, 인과 시간 어텐션과 전체 변량 어텐션 교대, 연속 패치 마스킹 기반 단일 순전파 디코딩, 다중 타깃·과거 공변량·과거미래 동적 공변량 지원, GIFT-Eval·FEV-Bench·TIME 리더보드에서 사전학습 파운데이션 모델 중 점 예측 및 확률 예측 최상위 주장, 비교 대상 Chronos-2·Toto 2.0 계열·TimesFM-2.5, 깃허브 및 허깅페이스 공개와 BigQuery 연동 예고, 이전 버전 반복 생성의 지연·오차 누적·연산 비용 문제 명시)와 허깅페이스 모델 카드 google/timesfm-3.0-pytorch(파라미터 0.3B, 층 20·모델 차원 1280·헤드 16, 컨텍스트 패치 32·예측 구간 패치 64, 9개 분위 중앙값 인덱스 4, TimesFM 비상업 라이선스 1.0) 및 google/timesfm-2.5-200m-pytorch(파라미터 0.2B, 아파치 2.0) 기반 ASAP 정리.