أصدرت Mistral AI إصدار Timestral، وهي العائلة الأولى من نماذج الأساس للسلاسل الزمنية، ويحظى الإصدار الهادئ الآن بفصل ثانٍ صاخب: الإعلان، المنشور على مدونة Mistral في 15 أكتوبر، وصل إلى الصفحة الأولى من Hacker News في 19 أكتوبر، حيث اجتذب مئات الأصوات المؤيدة. يعد هذا العرض غير معتاد بالنسبة لعصر النموذج الأساسي - وهو أحدث التنبؤات من نماذج صغيرة يصل حجمها إلى 5 ملايين إلى 209 مليون معلمة تعمل على وحدات المعالجة المركزية (CPU) للخادم العادي.

الأول في جميع المعايير الثلاثة الرئيسية لمزيد من السياق حول هذه القصة، راجع تغطية صناعة الذكاء الاصطناعي.

تقول ميسترال إن أكبر نموذج لها من Timestral، عند 209 مليون معلمة فقط، يحتل المرتبة الأولى في جميع المعايير العامة الثلاثة الرئيسية في هذا المجال - GIFT-Eval، وTIME، وfev-bench - متفوقًا على الحالة الفنية السابقة بحوالي ثلثي المعلمات. تم إرسال النتائج إلى لوحات المتصدرين GIFT-Eval وTIME، ولاحظت Mistral أن الأرقام تأتي من نقطة تفتيش واحدة دون تجميع.

مقارنات الحجم هي الجزء اللافت للنظر. تفيد تقارير ميسترال أن الطراز 28M يتفوق على Chronos-2، وهو نموذج أكبر بحوالي أربع مرات، في GIFT-Eval وTIME، بينما يتفوق الطراز 209M على TimesFM-3 وFalcon-2.0 بمعلمات أقل. تقول الشركة إن كل حجم في العائلة يقع على مقدمة باريتو من حيث الدقة مقابل حجم النموذج - مما يعني أنه لا يوجد نموذج عام يتنبأ بشكل أفضل عند نفس عدد المعلمات.

مصمم خصيصًا لبيانات المؤسسة، لا أحد يغرد عنها

السلاسل الزمنية غير جذابة ولكنها موجودة في كل مكان: القياس عن بعد بواسطة أجهزة الاستشعار، ومقاييس إمكانية المراقبة، وحمل الطاقة، وتدفقات سلسلة التوريد، والأحجام المالية. حجة ميسترال هي أن هذا هو المكان الذي وصلت فيه تقنيات نموذج الأساس بالكاد. تتلاءم الأدوات الكلاسيكية مثل ARIMA مع سلسلة واحدة بمعزل عن غيرها، وعادةً ما يتم تدريب نماذج التعلم العميق مثل PatchTST من البداية لكل مجموعة بيانات، لذلك لا يتم نقل أي شيء إلى مجالات جديدة.

يأخذ Timestral دليل التدريب المسبق من نماذج اللغة ويطبقه على التسلسلات الرقمية. تم تدريبها على مجموعة كبيرة ومتنوعة، وتتنبأ بعدم القدرة على الوصول إلى البيانات التي لم ترها من قبل - بما في ذلك المجالات التي يندر فيها التاريخ المسمى.

تنتج النماذج تنبؤات احتمالية متعددة المتغيرات عبر 21 وحدة كمية وتقبل ثلاثة أنواع من المعلومات الجانبية: المتغيرات المشتركة في الماضي فقط، والمتغيرات المشتركة المعروفة في المستقبل مثل جداول الإنتاج أو التنبؤات الجوية، والمتغيرات المشتركة الفئوية مثل حالة الآلة (قيد التشغيل، الخمول، تحت الصيانة) التي قد يتم تشويهها إذا تم ترميزها كأرقام عادية.

اقتصاديات وحدة المعالجة المركزية

ربما تكون التفاصيل الأكثر أهمية من الناحية التجارية: لا يحتاج Timestral إلى وحدة معالجة الرسومات عند الاستدلال. يقول ميسترال إنه على وحدة المعالجة المركزية للخادم القياسية التي تحتوي على 8 خيوط، يستغرق التنبؤ بيوم واحد من ثلاثة أسابيع من تاريخ مدته 15 دقيقة 10 مللي ثانية مع طراز 5M و140 مللي ثانية مع طراز 209M. يأتي الإصدار 123M ضمن 0.2% من نتيجة الرائد عند ثلاثة أرباع زمن الاستجابة.

وهذا يجعل التنبؤ المستمر عبر آلاف أجهزة الاستشعار - الأسطول الكامل للمصنع الصناعي - اقتراحًا رئيسيًا للأجهزة بدلاً من مشروع مجموعة GPU.

تحت الغطاء: أربعة رهانات فنية

تعزو ميسترال النتائج إلى العديد من التقنيات التي تخطط لتفصيلها في تقرير فني قادم:

  • التنبؤ الأفقي المنفصل (DHF). في أساليب فك التشفير السببية مثل Toto 2.0 وTimesFM-3، يتم إخفاء القيم المراد التنبؤ بها وفقدت كسياق. يحتفظ DHF بالسجل الكامل في التسلسل بينما تقرأه الرموز المميزة للتنبؤات المستفادة، بحيث تعمل كل قيمة تمت ملاحظتها كهدف وسياق على حد سواء، ويتم وضع علامة على الفجوات الحقيقية على أنها مفقودة.
  • الانتباه المدرك للمتغيرات المشتركة. يتم تعيين دور لكل سلسلة إدخال - الهدف، أو المتغير المشترك في الماضي فقط أو المتغير المشترك المعروف في المستقبل - مع تدفق المعلومات فقط من المتغيرات المشتركة إلى الأهداف، لذلك يمكن لتقويم العطلات إبلاغ التوقعات دون تسريب مستقبل الهدف.
  • البيانات الاصطناعية أولاً. كانت غالبية بيانات التدريب تركيبية: عمليات أحادية المتغير ذات اتجاهات متماسكة وموسمية وضوضاء، تم دمجها بواسطة مركب متعدد المتغيرات يقدم تبعيات غير خطية فيما بينها.
  • التدريب على مرحلتين. التدريب المسبق على البيانات الاصطناعية البحتة في سياق 8,192، ثم التدريب اللاحق على مزيج من البيانات الحقيقية والاصطناعية مع سياق أطول 4x، وذلك باستخدام فقدان الكرة والدبابيس لأكثر من 21 كمية كتقريب منفصل لـ CRPS.

الأوزان المفتوحة، النشر بفجوات هوائية

يتم شحن العائلة بأربعة أحجام — معلمات 5M، و28M، و123M، و209M — مع سياق يبلغ طوله 32,768 خطوة زمنية. يتم نشر الأوزان على Hugging Face بموجب ترخيص معدل من معهد ماساتشوستس للتكنولوجيا، وأصدرت ميسترال مستودع GitHub لتشغيل النماذج على البيانات الخاصة. ووعد بتقرير فني كامل لمتابعة.

بالنسبة للمؤسسات التي تحتاج إلى المزيد، يتوفر Timestral من خلال Mistral Forge، خط أنابيب التدريب الخاص بالشركة، والذي يدعم الضبط الدقيق لبيانات الملكية، والامتدادات المعمارية الخاصة بالمجال، والتحكم في مزيج التدريب - مع النشر على أجهزة العملاء، بما في ذلك البيئات المعزولة بالهواء. وتقول ميسترال صراحةً إن خط الأنابيب يمكن أن يضمن عدم وجود أي شيء خلال الاختبار الخلفي في بيانات ما قبل التدريب، وهي مطالبة ملحوظة للعملاء الماليين والصناعيين الخاضعين للتنظيم.

ترسم الشركة أيضًا مستقبلًا وكيلًا للنماذج: مراقبة Timetral لتدفقات أجهزة الاستشعار، والإبلاغ عن حالة شاذة في المضخة، ثم تسليمها إلى وكيل نموذج اللغة الذي يسترجع حالات الفشل التاريخية المماثلة، وإجراء تحليل السبب الجذري على سجلات الصيانة وسجلات التحول، ووضع مسودات تشخيص لمدير المصنع.

لماذا يهم

يعد هذا الإصدار تذكيرًا بأن سباق النموذج الأساسي لا يتعلق فقط بـ LLMs ذات تريليون معلمة. يعد التنبؤ واحدًا من أكبر أعباء عمل الذكاء الاصطناعي في الصناعة، ويمكن لنموذج ذو 209 مليون معلمة يقود المعايير العامة أثناء التشغيل على وحدات المعالجة المركزية (CPU) أن يغير الميزانيات الحقيقية. كما أنها تعمل على تنويع محفظة ميسترال بما يتجاوز نماذج اللغة في الوقت الذي يقوم فيه المختبر الذي يقع مقره في باريس، والذي حصل حديثًا على زيادة قدرها 3 مليارات يورو بتقييم 21 مليار يورو، بوضع الذكاء الاصطناعي الأوروبي حول السيادة والكفاءة والنشر في أماكن العمل - جميع الصناديق التي يتحقق منها تيمسترال حسب التصميم.

_يستند هذا المقال إلى إعلان Timestral الرسمي لشركة ميسترال بتاريخ 15 أكتوبر 2026._

---

ابق على اطلاع بأخبار الذكاء الاصطناعي

آخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →