Bỏ qua tới nội dung
Ông T.vn

TimesFM: dự báo chuỗi thời gian không cần tự huấn luyện — hướng dẫn cài đặt và dùng

13 phút đọcCập nhật

Bài này là một góc nhìn khác về google-research/timesfm — repo từng đổi tên nên mình viết lại với cách tiếp cận khác. Bài hướng dẫn chính: TimesFM: dự báo chuỗi thời gian không cần huấn luyện lại — hướng dẫn cài đặt và dùng →

TimesFM: dự báo chuỗi thời gian không cần tự huấn luyện — hướng dẫn cài đặt và dùng

Tóm tắt nhanh

TimesFM là mô hình nền tảng dự báo chuỗi thời gian (doanh thu, lượng truy cập, tồn kho…) do Google Research phát triển, đã huấn luyện sẵn nên bạn không phải tự huấn luyện từ đầu. Bạn cài bằng pip và gọi vài dòng Python là có dự báo. Cài không khó, nhưng bản 3.0 có giấy phép riêng cho phần trọng số, hạn chế dùng thương mại.

TimesFM là một mô hình AI đã huấn luyện sẵn, chuyên dự báo chuỗi thời gian, do Google Research phát triển. Chuỗi thời gian là bất kỳ dãy số nào ghi lại theo thời gian: doanh thu theo ngày, số đơn theo giờ, lượng khách theo tuần, nhiệt độ, giá cả… Bạn đưa dãy số quá khứ vào, mô hình trả về dự báo cho các bước tiếp theo.

Điểm khác với cách làm truyền thống: bạn không cần tự huấn luyện một mô hình riêng cho từng loại dữ liệu. TimesFM là kiểu "foundation model" (mô hình nền tảng), tức đã học từ rất nhiều chuỗi số khác nhau, nên có thể dùng ngay cho dữ liệu của bạn. Theo tư liệu của tác giả, bản mới nhất 3.0 còn dự báo được nhiều chuỗi cùng lúc và nhận thêm các "biến phụ" như khuyến mãi, thời tiết. Repo hiện có khoảng 35 nghìn sao và hơn 3 nghìn fork, giấy phép mã nguồn là Apache-2.0.

Bài này hợp với lập trình viên mới, nhân viên phân tích số liệu, chủ shop có chút kiến thức Python. Nếu bạn chỉ làm việc với bảng tính, cuối bài mình có nhắc cách Google đưa TimesFM vào các sản phẩm của họ. Có một lưu ý quan trọng về giấy phép của bản 3.0 mình sẽ nói rõ ngay trong bài, vì nó ảnh hưởng đến việc bạn dùng cho kinh doanh.

Mô hình

google-research/timesfm

Mô hình nền tảng của Google Research đã huấn luyện sẵn để dự báo chuỗi thời gian: đưa dữ liệu quá khứ vào, nhận dự báo và khoảng bất định.

★ 35kPythonApache-2.0
Xem repo trên GitHub

I.TimesFM làm được gì

A.Dự báo mà không cần huấn luyện riêng

Mô hình đã được huấn luyện trước. Bạn đưa dữ liệu vào là có dự báo, không phải chuẩn bị tập huấn luyện hay chỉnh tham số cho từng bài toán. Với người mới, đây là khác biệt lớn nhất so với việc tự dựng mô hình dự báo.

B.Dự báo nhiều chuỗi, độ dài khác nhau

Bạn có thể đưa một lô nhiều chuỗi một lúc, mỗi chuỗi dài ngắn khác nhau. Ví dụ trong README là hai chuỗi, một dài 100 bước và một dài 72 bước, dự báo chung một lần. Hợp với shop có nhiều mặt hàng, mỗi mặt hàng có lịch sử bán dài ngắn khác nhau.

C.Dự báo kèm khoảng bất định

Ngoài một đường dự báo chính, mô hình có thể trả thêm 9 mức phân vị (từ 0,1 đến 0,9). Nói đơn giản: bạn biết không chỉ "dự kiến bán 100" mà còn biết khoảng có thể dao động, ví dụ thấp nhất khoảng bao nhiêu, cao nhất khoảng bao nhiêu. Điều này giúp việc nhập hàng hay lên kế hoạch an toàn hơn.

D.Đa biến và biến phụ (bản 3.0)

Bản 3.0 hỗ trợ dự báo nhiều chuỗi liên quan nhau (đa biến). Nó cũng nhận hai loại biến phụ: loại chỉ có ở quá khứ, và loại biết cả quá khứ lẫn tương lai (ví dụ lịch khuyến mãi đã lên kế hoạch). Tác giả nói không cần tinh chỉnh riêng cho từng bài toán.

E.Chạy được trên máy Mac chip Apple

Có một backend MLX để chạy TimesFM 3.0 trên Apple silicon mà không cần PyTorch. Giao diện gần giống bản PyTorch. README đo thử trên chip M4 Max với mô hình 330M: một chuỗi mất khoảng 11 ms, và gom 32 chuỗi thì đạt khoảng 666 chuỗi mỗi giây.

F.Nhiều phiên bản, có thể chọn

Bản mới nhất là 3.0. Bản 2.5 nằm trong src/timesfm. Bản 1.0 và 2.0 được lưu ở thư mục v1, cài bằng pip install timesfm==1.3.0. Repo cũng có thư mục timesfm-forecasting/ chứa tài liệu, ví dụ, ví dụ tinh chỉnh bằng LoRA và một SKILL.md cho trợ lý AI, cùng file AGENTS.md.

II.Cần chuẩn bị gì

  • Python 3.10 trở lên. File pyproject.toml của repo yêu cầu >=3.10.
  • Công cụ cài gói: pip (cài từ PyPI), hoặc uv nếu bạn chọn cài từ mã nguồn theo hướng dẫn của README.
  • Git, nếu bạn muốn tải mã nguồn về máy.
  • PyTorch, được cài kèm khi bạn dùng timesfm[torch]. Riêng máy Mac chip Apple có thể dùng timesfm[mlx] và không cần PyTorch.
  • Phần cứng: các ví dụ trong README đặt device="cuda", tức dùng card đồ hoạ NVIDIA. README không nói rõ có chạy được bằng CPU hay không, nên mình không khẳng định. Trên Mac chip Apple bạn có đường MLX riêng.
  • Kết nối mạng để tải trọng số mô hình. Ví dụ dùng checkpoint google/timesfm-3.0-pytorch trên Hugging Face. README không nhắc phải có tài khoản hay API key.

Giấy phép: mã nguồn là Apache-2.0, trọng số đến bản 2.5 cũng Apache-2.0. Nhưng trọng số TimesFM 3.0 dùng giấy phép riêng (timesfm-non-commercial-license-v1.0), chỉ cho mục đích phi thương mại, không dùng sản xuất. Tải về tự chạy để phục vụ kinh doanh là không được phép theo README. Dùng thương mại bản 3.0 phải đi qua dịch vụ Google Cloud được cấp phép như BigQuery ML. Hãy đọc kỹ trước khi dùng cho việc kiếm tiền.

III.Cài đặt từng bước

  1. Kiểm tra PythonChắc chắn máy có Python 3.10 trở lên
  2. Cài từ PyPIChạy pip install timesfm[torch] (hoặc [mlx] cho Mac chip Apple)
  3. Hoặc cài từ mã nguồnClone repo, tạo môi trường ảo bằng uv rồi cài bản chỉnh sửa được
  4. Chạy ví dụChép đoạn code mẫu của README vào file .py và chạy thử

A.Kiểm tra Python

Mở terminal (trên Windows: PowerShell hoặc Terminal; trên Mac/Linux: ứng dụng Terminal) rồi xem phiên bản Python. Cần từ 3.10 trở lên.

Terminal
python --version

Nếu ra số nhỏ hơn 3.10, bạn cần cài Python mới hơn trước. Trên một số máy lệnh là python3 thay vì python.

B.Cài từ PyPI (cách nhanh nhất)

Đây là cách README ghi cho người chỉ muốn dùng. Chọn một trong hai dòng tuỳ máy của bạn:

Terminal
# Install TimesFM with PyTorch
pip install timesfm[torch]

# Or, for MLX-native inference on Apple silicon (no PyTorch required)
pip install timesfm[mlx]

Dòng đầu cài kèm PyTorch, dùng cho đa số máy. Dòng sau dành cho Mac chip Apple, chạy bằng MLX. Chỗ người mới hay vấp: nếu terminal của bạn là zsh (mặc định trên Mac), dấu ngoặc vuông có thể bị hiểu nhầm. Khi đó hãy đặt cả tên gói trong dấu nháy, ví dụ pip install 'timesfm[torch]'.

README còn ghi: PyPI đã cập nhật lên timesfm=2.0.2. Nghĩa là gói trên PyPI có thể chưa khớp hoàn toàn với mã bản 3.0 trong repo. Mình sẽ nói thêm ở phần lỗi thường gặp.

C.Cài từ mã nguồn (nếu muốn xem code hoặc sửa)

Tải repo về máy rồi đi vào thư mục vừa tải:

Terminal
git clone https://github.com/google-research/timesfm.git
cd timesfm

Sau đó tạo môi trường ảo và cài gói ở chế độ chỉnh sửa được (editable), kèm PyTorch:

Terminal
# Using uv
uv venv
source .venv/bin/activate

 # Install the package in editable mode with torch
uv pip install -e .[torch]

Lệnh uv venv tạo một môi trường Python riêng trong thư mục .venv, để không làm rối Python chung của máy. Lệnh source .venv/bin/activate kích hoạt môi trường đó trên Mac/Linux. Trên Windows PowerShell, lệnh kích hoạt thường là .venv\Scripts\Activate.ps1; README không ghi dòng này, đây là cách thông dụng của môi trường ảo Python. Cách này cần cài sẵn công cụ uv; README không hướng dẫn cài uv, bạn xem trang của chính công cụ đó.

D.Chạy thử ví dụ đầu tiên

Tạo file, ví dụ thu_timesfm.py, và chép đoạn mẫu của README cho dự báo một biến. Ví dụ dùng hai chuỗi có độ dài khác nhau:

Python
import numpy as np
from timesfm3 import TimesFM3Evaluator, ModelConfig

# Initialize TimesFM 3.0
config = ModelConfig(
    checkpoint_path="google/timesfm-3.0-pytorch",
    per_core_batch_size=32,
    device="cuda"
)
forecaster = TimesFM3Evaluator(config)

# Two univariate series of different lengths (100 and 72 steps)
ts1 = np.linspace(0, 1, 100).astype(np.float32)
ts2 = np.sin(np.linspace(0, 24, 72)).astype(np.float32)

# Generate forecast (point predictions + 9 quantiles: 0.1 to 0.9)
outputs = list(forecaster.predict_batch([ts1, ts2], horizon=12, return_quantiles=True, use_symmetric_averaging=False))

print("Series 1 forecast shape:", outputs[0].forecast.shape)   # (12,)
print("Series 1 quantiles shape:", outputs[0].quantiles.shape) # (12, 9)

print("Series 2 forecast shape:", outputs[1].forecast.shape)   # (12,)
print("Series 2 quantiles shape:", outputs[1].quantiles.shape) # (12, 9)

Code này nạp mô hình 3.0, tạo hai chuỗi giả, dự báo 12 bước tiếp theo cho mỗi chuỗi rồi in ra kích thước kết quả. Lần chạy đầu sẽ tải trọng số về nên hơi lâu. Lưu ý: README import từ timesfm3, trong khi tên gói pip là timesfm. Nếu bạn gặp lỗi không tìm thấy timesfm3, xem phần lỗi thường gặp bên dưới.

Nếu dùng Mac chip Apple, thay phần nạp mô hình bằng backend MLX:

Python
import numpy as np
from timesfm3.mlx import TimesFM3Forecaster

forecaster = TimesFM3Forecaster.from_pretrained("google/timesfm-3.0-pytorch")

IV.Kiểm tra đã chạy được chưa

Cách kiểm tra theo ví dụ của README: chạy file Python và xem các dòng in ra. Nếu cài đúng, bạn sẽ thấy:

text
Series 1 forecast shape: (12,)
Series 1 quantiles shape: (12, 9)
Series 2 forecast shape: (12,)
Series 2 quantiles shape: (12, 9)

Ý nghĩa: mỗi chuỗi nhận 12 giá trị dự báo, và với mỗi bước có 9 mức phân vị. Với backend MLX, ví dụ dự báo 128 bước sẽ cho forecast kích thước (128,) và quantiles kích thước (128, 9).

Không có lỗi và ra đúng kích thước như trên là bạn đã cài thành công. Repo cũng có thư mục tests/ với các bài kiểm thử đơn vị cho lớp lõi, cấu hình và tiện ích. README không ghi lệnh chạy chúng, nên nếu cần, bạn xem trong thư mục đó.

V.Dùng vào việc thật

A.Chủ shop dự báo nhu cầu nhiều mặt hàng

Bối cảnh: bạn bán online 30 mặt hàng, mỗi mặt hàng có số lượng bán theo ngày với độ dài lịch sử khác nhau, vì có hàng mới ra mắt. Bạn muốn biết 12 ngày tới mỗi mặt hàng bán khoảng bao nhiêu.

Cách làm: mỗi mặt hàng là một mảng NumPy kiểu float32, gom thành một danh sách rồi đưa vào predict_batch, giống ví dụ ở trên. Bạn có thể in thêm outputs[i].forecast để xem số dự báo và outputs[i].quantiles để xem khoảng dao động (9 mức).

Kết quả: mỗi mặt hàng có một dãy dự báo và một dải phân vị. Mức thấp giúp bạn tránh nhập quá tay, mức cao giúp bạn tránh hết hàng.

Lưu ý quan trọng: nếu đây là việc kinh doanh thật và bạn dùng trọng số 3.0 tự tải về, giấy phép của bản 3.0 không cho phép. Bạn cần dùng bản trọng số có giấy phép Apache-2.0 (đến 2.5) hoặc đi qua dịch vụ Google Cloud. Bản 2.5 nằm trong src/timesfm, nhưng README không có ví dụ code cho bản này, nên bạn cần xem thêm trong repo.

Mô hình nhìn thấy cả dữ liệu cũ của bạn lẫn quy luật chung của hàng triệu chuỗi số khác, nên bạn khỏi mất công tự dựng mô hình cho từng bài toán.

Ông T

B.Phân tích viên dự báo nhiều chỉ số cùng lúc, kèm khuyến mãi

Bối cảnh: bạn theo dõi 3 chỉ số liên quan nhau (ví dụ lượt xem, đơn hàng, doanh thu), có thêm một biến chỉ biết ở quá khứ và hai biến biết cả tương lai như lịch khuyến mãi đã định.

Cách làm: dùng ví dụ đa biến của README. Mảng mục tiêu có dạng (số biến, độ dài quá khứ). Biến phụ chỉ quá khứ có độ dài bằng quá khứ. Biến phụ cả quá khứ lẫn tương lai có độ dài bằng quá khứ cộng horizon:

Python
context_len = 128
horizon = 24

# 3 target variates across past context: (3, 128)
target = np.random.randn(3, context_len).astype(np.float32)

# 1 past-only covariate channel across past context: (1, 128)
past_only_cov = np.random.randn(1, context_len).astype(np.float32)

# 2 past-and-future covariate channels across context + horizon: (2, 152)
past_future_cov = np.random.randn(2, context_len + horizon).astype(np.float32)

Sau đó truyền các mảng này vào forecaster.predict_batch(...) với các tham số contexts, horizon, past_only_covariates, past_future_covariates, return_quantiles đúng như README.

Kết quả: forecast có dạng (3, 24) (mỗi biến một dự báo 24 bước) và quantiles có dạng (3, 24, 9). Khi thay dữ liệu ngẫu nhiên bằng số thật, bạn có dự báo chung cho cả ba chỉ số, có tính đến lịch khuyến mãi.

C.Người dùng Mac chip Apple chạy nhanh, không cần PyTorch

Bối cảnh: bạn dùng MacBook chip M-series, không muốn cài PyTorch nặng nề.

Cách làm: cài pip install timesfm[mlx], rồi dùng đoạn code MLX của README:

Python
context = np.sin(np.linspace(0, 40, 512)).astype(np.float32)
out = forecaster.predict(context, horizon=128, return_quantiles=True)
print(out.forecast.shape)    # (128,)      median forecast
print(out.quantiles.shape)   # (128, 9)    9 deciles

outs = list(forecaster.predict_batch([context] * 32, horizon=128))

Kết quả: dự báo một chuỗi hoặc cả lô 32 chuỗi trong một lần chạy. README nói kết quả khớp rất sát với bản PyTorch, và ghi chú ngữ cảnh dài hơn 15.360 điểm sẽ bị cắt, chỉ giữ phần gần nhất.

D.Nhân viên văn phòng muốn dự báo ngay trong bảng tính

Bối cảnh: bạn không viết code, chỉ làm việc với dữ liệu trong bảng tính hoặc kho dữ liệu của công ty.

Cách làm: README cho biết Google đưa TimesFM vào BigQuery ML (truy vấn SQL cấp doanh nghiệp), Google Sheets (qua Connected Sheets) và Vertex Model Garden. Các tích hợp này nằm ngoài repo; README chỉ dẫn link, không có hướng dẫn từng bước, nên bạn xem tài liệu của Google Cloud tương ứng. Đây cũng là con đường README nêu cho việc dùng thương mại và sản xuất với bản 3.0.

Kết quả: bạn dự báo được mà không phải tự cài môi trường Python.

VI.Lỗi hay gặp và cách xử lý

A.Lỗi ModuleNotFoundError: No module named 'timesfm3'

README import từ timesfm3 nhưng tên gói pip là timesfm, và PyPI được ghi là timesfm=2.0.2. Có thể gói PyPI chưa chứa mã timesfm3. Cách xử lý an toàn: cài từ mã nguồn bằng git clone rồi uv pip install -e .[torch] như ở trên, và xem thư mục timesfm3-usage/ trong repo để biết cách dùng chính thức. README không giải thích thêm về chỗ này nên mình không đoán.

B.zsh báo: no matches found: timesfm[torch]

Đây là lỗi hay gặp trên Mac khi dùng zsh, vì dấu ngoặc vuông được hiểu là ký tự đặc biệt. Đặt tên gói trong dấu nháy đơn: pip install 'timesfm[torch]'.

C.Lỗi liên quan CUDA hoặc không có card NVIDIA

Ví dụ README đặt device="cuda". Nếu máy bạn không có GPU NVIDIA hoặc chưa cài driver, đoạn code sẽ lỗi. README không ghi giá trị device nào khác, nên hãy xem định nghĩa ModelConfig trong mã nguồn. Nếu dùng Mac chip Apple, đổi sang đường MLX ở trên.

D.Lỗi sai kích thước mảng hoặc kiểu dữ liệu

Các ví dụ đều dùng mảng float32 và đúng dạng: một chuỗi là (độ dài,), đa biến là (số biến, độ dài), biến phụ cả quá khứ lẫn tương lai là (số kênh, độ dài quá khứ + horizon). Nếu bạn đưa sai độ dài, mô hình sẽ báo lỗi hoặc cho kết quả không đúng ý. Kiểm tra .shape và đổi bằng .astype(np.float32).

E.Dùng bản 3.0 cho việc kinh doanh

Đây không phải lỗi kỹ thuật nhưng là rủi ro thật. Trọng số 3.0 chỉ cho phi thương mại, không sản xuất. Nếu dự án của bạn thu tiền hoặc chạy trong sản phẩm, hãy dùng dịch vụ Google Cloud được cấp phép hoặc kiểm tra lại giấy phép trọng số bạn định dùng.

VII.Có nên dùng không

Điểm mạnh:

  • Dùng ngay, không phải tự huấn luyện cho từng bài toán.
  • Có khoảng bất định (9 mức phân vị), hữu ích khi ra quyết định.
  • Bản 3.0 hỗ trợ đa biến và biến phụ.
  • Có đường chạy trên Mac chip Apple bằng MLX.
  • Do Google Research phát triển, repo còn được cập nhật gần đây. README nêu bản 3.0 xếp hạng nhất ở ba bộ đánh giá lớn về mô hình nền tảng chuỗi thời gian (theo tác giả).

Giới hạn:

  • Bản 3.0 bị giới hạn giấy phép phi thương mại cho trọng số tự tải về.
  • README còn lệch giữa tên gói pip và tên module trong code mẫu, người mới dễ vướng.
  • README chỉ nói rõ ví dụ chạy trên GPU CUDA hoặc Mac chip Apple, chưa nói gì về CPU.
  • Đây không phải sản phẩm được Google hỗ trợ chính thức ở bản mã nguồn mở. README ghi rõ như vậy.
  • Mô hình nào cũng chỉ dự báo từ quy luật trong dữ liệu quá khứ. Những cú sốc bất ngờ như đổi chính sách hay khủng hoảng thì không nằm trong dữ liệu.

Khi nên chọn cách khác: nếu bạn chỉ làm trong bảng tính và không viết code, hãy dùng các tích hợp của Google (Sheets, BigQuery ML). Nếu cần thương mại ngay với bản mã nguồn mở, hãy kiểm tra bản 2.5 theo giấy phép Apache-2.0. Nếu bài toán đơn giản (xu hướng và mùa vụ rõ), một công thức trung bình trượt trong Excel đôi khi đã đủ.

4.2/5 · Ông T chấm

Chưa có độc giả chấm

Bài này có ích với bạn không?

Câu hỏi thường gặp

TimesFM có miễn phí không?

Mã nguồn dùng giấy phép Apache-2.0 và trọng số đến bản 2.5 cũng Apache-2.0. Trọng số TimesFM 3.0 dùng giấy phép phi thương mại riêng, nên tự tải về dùng cho kinh doanh là không được phép. Dùng thương mại bản 3.0 phải qua dịch vụ Google Cloud như BigQuery ML, theo điều khoản của Google Cloud (chi phí cụ thể thì README không nêu).

Có cần GPU không?

Các ví dụ trong README đặt device là cuda, tức dùng GPU NVIDIA. Với Mac chip Apple có backend MLX chạy được mà không cần PyTorch. README chưa nói rõ về việc chạy bằng CPU, nên chưa có thông tin chắc chắn.

Chạy được trên Windows không?

README không có phần nói riêng về hệ điều hành Windows. Yêu cầu chính thức trong repo là Python từ 3.10 trở lên. Lệnh kích hoạt môi trường ảo trong README là kiểu Mac/Linux, trên Windows bạn dùng lệnh kích hoạt tương ứng của môi trường ảo Python.

Dữ liệu của mình có an toàn không?

README không nêu chính sách dữ liệu. Khi tự cài và chạy trên máy mình, mô hình xử lý dữ liệu tại máy, chỉ cần mạng để tải trọng số. Với các dịch vụ trên Google Cloud, bạn nên xem điều khoản Google Cloud mà README dẫn tới.

TimesFM khác gì so với tự dựng mô hình dự báo?

TimesFM là mô hình nền tảng đã huấn luyện sẵn, bạn đưa dữ liệu quá khứ vào là có dự báo mà không phải huấn luyện riêng cho từng chuỗi. Bản 3.0 còn hỗ trợ dự báo đa biến và biến phụ không cần tinh chỉnh riêng. So sánh chi tiết với các công cụ cụ thể thì README chưa có thông tin.

Có dùng được trong bảng tính hoặc SQL không?

Có, thông qua các sản phẩm của Google mà README nhắc tới: BigQuery ML, Google Sheets (Connected Sheets) và Vertex Model Garden. Các tích hợp này nằm ngoài repo, bạn xem tài liệu của Google Cloud để biết cách bật và dùng.

Có tinh chỉnh được cho dữ liệu riêng không?

README ghi repo có ví dụ tinh chỉnh bằng HuggingFace Transformers và PEFT (LoRA) trong thư mục timesfm-forecasting/examples/finetuning/. Hướng dẫn từng bước thì README không viết, bạn xem trực tiếp trong thư mục đó.

Chuyển nhanh tới mục

  1. I.TimesFM làm được gì
    1. A.Dự báo mà không cần huấn luyện riêng
    2. B.Dự báo nhiều chuỗi, độ dài khác nhau
    3. C.Dự báo kèm khoảng bất định
    4. D.Đa biến và biến phụ (bản 3.0)
    5. E.Chạy được trên máy Mac chip Apple
    6. F.Nhiều phiên bản, có thể chọn
  2. II.Cần chuẩn bị gì
  3. III.Cài đặt từng bước
    1. A.Kiểm tra Python
    2. B.Cài từ PyPI (cách nhanh nhất)
    3. C.Cài từ mã nguồn (nếu muốn xem code hoặc sửa)
    4. D.Chạy thử ví dụ đầu tiên
  4. IV.Kiểm tra đã chạy được chưa
  5. V.Dùng vào việc thật
    1. A.Chủ shop dự báo nhu cầu nhiều mặt hàng
    2. B.Phân tích viên dự báo nhiều chỉ số cùng lúc, kèm khuyến mãi
    3. C.Người dùng Mac chip Apple chạy nhanh, không cần PyTorch
    4. D.Nhân viên văn phòng muốn dự báo ngay trong bảng tính
  6. VI.Lỗi hay gặp và cách xử lý
    1. A.Lỗi ModuleNotFoundError: No module named 'timesfm3'
    2. B.zsh báo: no matches found: timesfm[torch]
    3. C.Lỗi liên quan CUDA hoặc không có card NVIDIA
    4. D.Lỗi sai kích thước mảng hoặc kiểu dữ liệu
    5. E.Dùng bản 3.0 cho việc kinh doanh
  7. VII.Có nên dùng không

Repo & Skill · 13/11/2026 · 11 phút đọc

Garden Skills: bộ skill thiết kế web, tạo ảnh, làm video cho AI — hướng dẫn cài đặt và dùng

Garden Skills là bộ sưu tập Agent Skills (kỹ năng cho AI) của tác giả ConardLi, dùng được với Claude Code, Cursor, Codex và các AI coding agent khác. Mỗi skill dạy agent làm tốt một việc như thiết kế trang web, tạo ảnh, làm video bằng code, biến tài liệu thành bài viết đẹp. Cài không khó, nhưng README có nhiều cách cài nên bạn cần chọn một cách hợp với công cụ đang dùng.

Repo & Skill · 13/11/2026 · 15 phút đọc

thesysdev/openui: xây giao diện AI dạng streaming — hướng dẫn cài đặt và dùng

OpenUI là framework full-stack, độc lập framework, giúp mô hình AI sinh giao diện có cấu trúc và hiển thị dần khi dữ liệu streaming về. Bạn có thể dựng nhanh một ứng dụng chat bằng CLI hoặc cài từng gói cho React, Vue, Svelte, Angular và LangChain. Việc bắt đầu khá đơn giản nếu máy có đúng phiên bản Node; README chưa ghi đầy đủ lệnh chạy ứng dụng sau khi scaffold.

Repo & Skill · 13/11/2026 · 11 phút đọc

Ruflo: điều phối nhóm agent AI cho Claude Code và Codex — hướng dẫn cài đặt và dùng

Ruflo (trước đây là Claude Flow) là một agent harness: lớp công cụ bao quanh Claude Code và Codex, bổ sung nhiều agent chuyên biệt, bộ nhớ qua các phiên và khả năng chia việc cho nhóm agent. Cài bằng một lệnh `npx ruflo@latest init` trong thư mục dự án, cần Node 20 trở lên. Cài khá dễ, nhưng hệ thống rất rộng nên bạn nên bắt đầu từ một tác vụ nhỏ.