Тестируем Google TimesFM-3 бесплатными инструментами вайб-кодинга: DeepSeek, OpenCode и Freebuff
<img src="https://habrastorage.org/getpro/habr/upload_files/4cb/3d6/60b/4cb3d660b66051ee01c1079cbe2d6b21.png" /><p> На днях, а именно, 31 августа, вышла новая модель работы с временными рядами от Google – <a href="https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/" rel="noopener nofollow">TimesFM-3</a> (Time Series Foundational Model).</p><p><br> </p><p>Если вкратце, задача моделей семейства TimesFM – прогнозировать дальнейшее поведение системы на основе ретроспективных данных. Интересно, что для этого исследователи Google применяют токенизацию групп временных отсчетов, а сам трансформер TimesFM – decoder-only. Также в третьей версии TimesFM заявлена поддержка одновременно множественных переменных (multi-variate).</p><p><br> </p><p>Так я был в отпуске и мне было скучно, я вспомнил про старую задачу полуторагодовалой давности: классификация сценариев поведения пользователя на основе <a href="https://habr.com/ru/articles/888030/" rel="noopener nofollow">данных энергопотребления</a>. Сразу скажу, что задача ну совсем нетипичная для TimesFM – ведь эта модель была создана не для классификации, а для предсказания эволюции. Но, повторюсь, мне было скучно, а еще мне было интересно посмотреть, насколько быстро и качественно современные ИИ-агенты позволят мне решить эту задачу. В итоге получился экспресс-тест нескольких разных подходов к вайб-кодингу: </p> <a href="https://habr.com/ru/articles/1078544/?utm_source=habrahabr&utm_medium=rss&utm_campaign=1078544#habracut">Читать далее</a>