TimesFM 2.5 零样本预测最吸引人的地方是不用微调就能用TimesFm2_5ModelForPrediction.from_pretrained(google/timesfm-2.5)出 14 步预测但第 3 节那 5 行代码第一次跑要下约 800MB 权重generate(input_tensor, prediction_length14)的输入形状和forecast[0, -14:]切片又特别容易看错。与其在 Colab 里反复点运行不如先用 TaoToken https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_content 创建一把 Key把 Codex 的 Base URL 填成 https://taotoken.net/api让 Codex 逐行核对 TimesFM 2.5 代码确认通道可用后再跑预测。这个顺序能把“模型下载慢”和“代码看错”拆开不会一报错就怀疑显存、CUDA、权重文件全都有问题。下面按原文第 3 节的代码节奏走先把 5 行代码里的坑标出来再把 Codex 的配置和核对请求接上。1. TimesFM 2.5 的 3 大改进落到第 3 节代码里是什么样1.1 零样本预测不改权重先改运行前检查TimesFM 2.5 主打零样本意思是你拿到google/timesfm-2.5后不需要先在自己的销量、流量、库存序列上训练一遍。TimesFm2_5ModelForPrediction.from_pretrained(...)这一步就是把官方权重拉下来然后直接generate。从写代码的角度看“零样本”不是一句宣传语而是意味着第 3 节的 5 行代码里没有fit、没有trainer、没有反向传播只有加载、构造输入、生成、切片、打印。也正因为步骤少任何一个参数填错都会显得很突兀。零样本的方便之处在于试错成本低前提是你把输入张量的形状检查对。很多人看到generate(input_tensor, prediction_length14)会下意识以为input_tensor可以是一维列表结果torch.tensor([...])出来是(context_length,)模型内部再按 batch 维处理时就报 shape 不匹配。更稳的做法是在generate前插入print(input_tensor.shape)确认它是(1, context_length)而不是(context_length,)。如果是一维用input_tensor.unsqueeze(0)补 batch 维。1.2 长上下文与 prediction_length14 的边界第 3 节代码里另一个主角是prediction_length14。这个参数控制的是输出 horizon也就是你要预测未来多少个点它不控制模型能看多长的历史。历史长度由input_tensor的最后一维决定具体能接受多长、是否要补齐到模型卡要求的值要以google/timesfm-2.5模型卡和 TaoToken 模型广场当时列表为准。不要把prediction_length14理解成“模型只看 14 个历史点”那样切片和形状都会越看越乱。实际排查时可以把第 3 节代码拆成两个问题第一input_tensor里到底放了多少个历史点第二prediction_length14期望输出多少步。前者看input_tensor.shape[-1]后者看forecast.shape[-1]。如果forecast.shape[-1]不是 14而是 14 加上上下文长度那么forecast[0, -14:]就是专门用来取最后 14 个预测点的。这个细节不看 shape只靠肉眼猜很容易把上下文尾巴当成预测结果。1.3 5 行代码里最容易被看错的两处第一处是from_pretrained(google/timesfm-2.5)。首次执行会下约 800MB 权重网络抖动、磁盘空间不足、缓存目录权限不对都会让这一步失败。失败后很多人会反复改generate参数其实问题在加载阶段。第二处是forecast[0, -14:]。如果forecast的形状是(1, 14)那么forecast[0, -14:]和forecast[0]看起来一样如果形状是(1, context_length 14)-14:才是在切最后 14 个预测值。先打印forecast.shape再决定怎么切片比直接怀疑模型预测不准可靠得多。这两处看错之后报错信息也会往两个方向跑加载失败常见OSError、ConnectionError、LocalEntryNotFoundError形状失败常见RuntimeError: Expected ...、IndexError、ValueError。把你本地跑出来的完整报错贴给 Codex 核对比只发一句“TimesFM 2.5 跑不起来”更容易得到有效解释。2. 点 Colab 运行前先用 Codex 核对 TimesFM 2.5 第 3 节代码2.1 800MB 权重下载与 14 步预测的隐性成本TimesFM 2.5 第一次from_pretrained不是几秒钟的事800MB 左右权重加上缓存写入遇到网络波动会拖很久。如果你在 Colab 里直接点运行等待过程中很容易顺手改代码最后分不清是下载慢还是代码改坏了。更稳的流程是先在本地或你常用的 Python 环境里确认transformers、torch版本能加载模型再把第 3 节代码贴给 Codex 核对参数含义最后才去 Colab 跑完整预测。Codex 在这里的价值不是替你下载权重也不是替你执行 TimesFM 2.5 预测它做的是逐行解释和对照。你可以把input_tensor的构造、prediction_length14、forecast[0, -14:]三段单独贴过去让它回答“输入形状是什么、输出形状可能是什么、切片取的是哪一段”。代码仍然由你在本地或 Colab 执行报错也由你贴回来。这样 Codex 不会连你的运行环境也不会碰你的业务数据。2.2 Codex 只做逐行解释和对照不替你跑 TimesFM这一点要提前说清楚TaoToken 给 Codex 提供的是 Key 和 Base URL让 Codex 这条对话通道可用TimesFM 2.5 的时序预测仍然在你的 Python 环境里跑。TimesFm2_5ModelForPrediction.from_pretrained(google/timesfm-2.5)、generate(input_tensor, prediction_length14)、forecast[0, -14:]都是你的代码Codex 只能读、解释、指出可疑点。它不能直接连上你的 Colab、本地 Jupyter 或生产库去执行这些代码。把边界划清之后核对请求就可以写得很具体。比如让 Codex 先判断input_tensor是否缺 batch 维再判断prediction_length是输出 horizon 还是上下文长度最后判断forecast[0, -14:]在不同输出形状下分别代表什么。等它返回一段结构清晰的解释你再回到本地执行把真实 shape 和报错贴回去做第二轮。3. 给 Codex 填 TaoToken 的 Base URL 和 Key3.1 打开官网创建 YOUR_API_KEY原文第 3 节之前那一步是准备运行代码这里改成先准备 Codex 的通道。打开 TaoToken注册后进入控制台创建 API Key。Key 不要写死在代码仓库里本文统一用占位符YOUR_API_KEY。拿到 Key 后先放在环境变量里等 Codex 配置写完再启动。这一步对应原文“直接跑 Colab 代码”前的准备动作。你不需要在 TimesFM 2.5 代码里填任何 TaoToken 信息也不需要把 Key 塞进from_pretrained或generate。Key 只服务 Codex 对话通道TimesFM 2.5 仍然从模型仓库拉权重、在本地做预测。两边不要混在一起。3.2 ~/.codex/config.toml 的 model_provider 与 base_urlCodex 用~/.codex/config.toml管理模型供应商。把model_provider指到自定义供应商base_url填 TaoToken 兼容通道地址注意末尾不要加/v1也不要加 UTM 参数。模型 ID 不要编造以 TaoToken 模型广场 当时列表为准先用YOUR_MODEL_ID占位。model YOUR_MODEL_ID model_provider taotoken [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY保存后设置环境变量。macOS / Linuxexport TAOTOKEN_API_KEYYOUR_API_KEY codexWindows PowerShell$env:TAOTOKEN_API_KEYYOUR_API_KEY codexenv_key里写的是环境变量名不是 Key 本身。Key 从 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_content 创建填进环境变量。Base URL 继续保持https://taotoken.net/api不要写成https://taotoken.net/api/v1也不要把官网落地页地址填进base_url。3.3 在 Codex 里发一句 TimesFM 2.5 逐行核对请求启动 Codex 后先发一条短请求确认通道可用。内容不要泛泛问“帮我看看代码”而是把 TimesFM 2.5 第 3 节的三个关键点写清楚。下面这段可以直接改请逐行核对下面 TimesFM 2.5 零样本预测第 3 节代码。只解释不要执行 1. input_tensor 的形状是否满足 (batch, context_length) 2. prediction_length14 对应输出哪一维 3. forecast[0, -14:] 在 forecast 形状为 (1,14) 或 (1, context_length14) 时分别代表什么 4. 指出 from_pretrained(google/timesfm-2.5) 首次下载约 800MB 权重可能卡住的点。 代码 import torch from transformers import TimesFm2_5ModelForPrediction model TimesFm2_5ModelForPrediction.from_pretrained(google/timesfm-2.5) input_tensor torch.tensor([[112.0, 118.0, 121.0, 119.0, 125.0, 130.0, 128.0, 133.0]], dtypetorch.float32) forecast model.generate(input_tensor, prediction_length14) print(forecast[0, -14:])如果 Codex 正常返回逐条解释说明 TaoToken 通道已经可用。如果返回 401先查TAOTOKEN_API_KEY是否设置成功、Key 是否复制完整如果返回 404 或模型不存在先查YOUR_MODEL_ID是否在模型广场列表里以及base_url是否误写成https://taotoken.net/api/v1。4. TimesFM 2.5 零样本预测 5 行代码的可运行版本4.1 把 from_pretrained 和 generate 补成可复制片段原文第 3 节的骨架是from_pretrained加generate下面补成更完整的可复制片段。历史序列用示例值实际替换成你的业务序列。注意这段代码在你的本地或 Colab 跑Codex 只负责解释。import torch from transformers import TimesFm2_5ModelForPrediction model TimesFm2_5ModelForPrediction.from_pretrained(google/timesfm-2.5) input_tensor torch.tensor([[112.0, 118.0, 121.0, 119.0, 125.0, 130.0, 128.0, 133.0]], dtypetorch.float32) forecast model.generate(input_tensor, prediction_length14) print(forecast.shape:, forecast.shape) print(last_14:, forecast[0, -14:])这 5 个关键步骤对应导入、加载权重、构造输入、生成预测、切片查看。如果模型卡要求固定上下文长度先把历史序列补齐或截断到要求长度如果显存不够改用 CPU 或减小 batch。不要因为from_pretrained首次下载慢就误改prediction_length。4.2 input_tensor 形状检查一维还是二维torch.tensor([[...]])是二维形状为(1, context_length)。如果你写成了torch.tensor([...])形状是(context_length,)很多模型会把它当成缺少 batch 维。稳妥写法是构造后立刻打印print(input_tensor.shape) if input_tensor.dim() 1: input_tensor input_tensor.unsqueeze(0)如果模型对context_length有要求input_tensor.shape[-1]就是你要核对的值。把input_tensor.shape和forecast.shape一起贴给 Codex它才能判断forecast[0, -14:]是不是在取你要的那 14 个点。只贴forecast[0, -14:]的结果缺少形状信息解释会差很多。4.3 forecast[0, -14:] 到底切了什么forecast[0, -14:]里第一个0取第 0 条序列-14:取最后一维的最后 14 个元素。如果forecast.shape是(1, 14)它取到的就是全部 14 个预测值如果forecast.shape是(1, context_length 14)它取到的是拼接结果末尾的 14 个预测值。先打印forecast.shape再决定要不要-14:能避免把历史尾部当成未来预测。如果你想要的是“第 0 条序列的全部预测”并且输出形状已经是(1, 14)直接写forecast[0]更清楚如果输出形状不确定forecast[0, -14:]是相对稳妥的提取方式。两者没有绝对对错关键是你知道当前形状下切的是哪一段。把这个判断过程贴给 Codex它能逐行对照不会替你去跑 TimesFM 2.5。5. TimesFM 2.5 报错与 Codex 通道排障5.1 from_pretrained 下载中断、显存不足、形状不匹配from_pretrained(google/timesfm-2.5)首次下约 800MB 权重时常见问题是网络中断后留下不完整缓存再次加载报OSError或LocalEntryNotFoundError。处理方式是确认缓存目录空间充足删掉未完成的缓存重试或者换到网络稳定的环境重新拉取。不要在这个阶段改generate参数先让加载成功。显存不足常见torch.cuda.OutOfMemoryError可以先把模型放 CPU、减小输入 batch或缩短上下文长度。形状不匹配常见RuntimeError: Expected ...先用print(input_tensor.shape)确认是不是少了 batch 维。把完整报错、input_tensor.shape、forecast.shape三段一起贴回 Codex 对话它才能解释是加载问题、形状问题还是切片问题。5.2 Codex 返回 401 或 404 时先查什么Codex 侧如果返回 401先查环境变量名是否和env_key一致再查YOUR_API_KEY是否复制完整。重新从 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_content 创建 Key 也可以。返回 404 时先查YOUR_MODEL_ID是否来自模型广场当时列表再查base_url是否写成https://taotoken.net/api。末尾多/v1是常见误填本文所有填进 Codex 的 Base URL 都保持不带/v1。如果 Codex 能返回文字但回答里对 TimesFM 2.5 的forecast[0, -14:]解释不准先检查你贴过去的代码是否包含forecast.shape打印结果。模型看不到真实形状时只能按常见形状推断。把本地执行后的 shape 和报错贴回去再让它做第二轮对照比反复重装 Codex 有效。6. 核对完成后去控制台看这次调用6.1 用同一把 Key 在模型对话里发一条消息Codex 能正常返回后可以打开 TaoToken 模型对话用同一把 Key 发一条测试消息确认模型 ID 和 Base URL 没有填错。模型对话里能通Codex 里也能通说明通道和 Key 都正常。这一轮验证不要跑 TimesFM 2.5 代码只验证对话通道省得把 Python 环境问题和通道问题混在一起。回控制台还能看这次 Codex 调用的用量记录。Key 在 控制台 API Keys 创建和管理。如果你后面要频繁让 Codex 读 TimesFM 2.5 代码、核对 shape、解释报错可以再看 Coding Plan 是否够用。到这一步TimesFM 2.5 的预测仍由你在本地或 Colab 执行Codex 只负责逐行核对和解释。6.2 长期读 TimesFM 2.5 代码再看 Coding Plan把 Codex 接上 TaoToken 之后最实用的习惯是每次跑 TimesFM 2.5 前先发一段核对请求input_tensor形状、prediction_length14含义、forecast[0, -14:]提取范围。等 Codex 返回解释再执行from_pretrained和generate。这样即使第一次下 800MB 权重慢或者切片看错也能快速定位到是哪一步的问题而不是在 Colab 里反复点运行。如果接下来要长期用 Codex 辅助读时序代码先去 模型对话 验证同一把 Key再去 Coding Plan 看套餐Key 统一在 控制台 API Keys 管理。TimesFM 2.5 的预测结果仍然以你本地跑出来的forecast[0, -14:]为准。