The Forecasting Company 已公开时间序列预测基础模型 t0 的权重及运行代码。据项目 README，t0 能结合历史变量与已知未来协变量生成概率预测，提供 t0-alpha、t0-beta 和 t0-gamma 三个版本，无需认证即可下载。它支持将日历特征、计划中的促销和天气预报作为预测条件，并输出多个分位数下的预测值。
据 README，过去已知的额外变量与目标序列一起输入，参与注意力计算并被共同预测；已知未来协变量则作为条件输入，模型不对这些协变量本身做预测。
项目提供的欧洲日前电价 notebook 展示了具体用法：结合负荷、可再生能源、节假日和天气协变量，预测四个竞价区的小时电价，并对结果进行回测。README 还展示了法国全国用电需求预测，以及使用法国医保药品月度报销数据的协变量对比示例。
按发布方列出的配置，t0-gamma 和 t0-beta 均约有 2.56 亿参数，t0-alpha 约有 1.02 亿参数。三者均采用 24 层结构、8 个注意力头，patch 大小为 32。
输出方面，t0-gamma 和 t0-beta 提供从 0.01 到 0.99 的 21 档分位数；t0-alpha 提供 0.1、0.25、0.5、0.75、0.9 五档分位数。
据架构说明，t0 采用解码器式 patch Transformer，交替执行时间注意力与协变量注意力计算，一次前向计算最多并行解码 1024 个时间步。对于更长的预测区间，模型采用自回归滚动方式生成结果。
README 特别要求，运行 t0-gamma 时应使用 tfc-t0 0.6.0 及以上版本。旧版虽然能够无报错加载权重，却不会读取配置中的 xpos_scale_layout 和 scaler_zero_no_value 字段，导致运行约定与训练时不同。发布方提醒，这会在不报错的情况下降低预测质量。
部署方面，项目提供 PyTorch 和 MLX 运行时。MLX 版本仅用于推理，要求 Apple silicon、macOS 14 及以上版本，以及原生 arm64 的 Python 3.10 及以上版本。t0-alpha 另有 ONNX FP16 和 INT8 导出版本，t0-beta 与 t0-gamma 暂无 ONNX 导出。
项目代码采用 Apache-2.0 许可，README 同时列出了技术报告《t_0: A Time-Series Foundation Model for Forecasting with Context》，编号为 arXiv:2609.24559。
