Mistral AI টাইমস্ট্রাল প্রকাশ করেছে, এটির টাইম-সিরিজ ফাউন্ডেশন মডেলের প্রথম পরিবার, এবং শান্ত মুক্তি এখন একটি উচ্চস্বরে দ্বিতীয় কাজ পাচ্ছে: 15 অক্টোবর মিস্ট্রালের ব্লগে প্রকাশিত ঘোষণাটি, 19 অক্টোবর হ্যাকার নিউজের প্রথম পাতায় পৌঁছেছে, যেখানে এটি শত শত আপভোট পেয়েছে। ফাউন্ডেশন-মডেল যুগের জন্য পিচটি অস্বাভাবিক — 5 মিলিয়ন থেকে 209 মিলিয়ন প্যারামিটারের মতো ছোট মডেল থেকে অত্যাধুনিক পূর্বাভাস যা সাধারণ সার্ভার CPU-তে চলে।

তিনটি প্রধান বেঞ্চমার্কে প্রথমে For more context on this story, see our ongoing AI news.

মিস্ট্রাল বলছে তার বৃহত্তম টাইমস্ট্রাল মডেল, মাত্র 209M প্যারামিটারে, ফিল্ডের প্রধান পাবলিক বেঞ্চমার্কগুলির তিনটিতেই প্রথম স্থান অধিকার করেছে — GIFT-Eval, TIME এবং fev-bench — মোটামুটি দুই-তৃতীয়াংশ প্যারামিটারের সাথে শিল্পের আগের অবস্থাকে ছাড়িয়ে গেছে৷ ফলাফলগুলি GIFT-Eval এবং TIME লিডারবোর্ডে জমা দেওয়া হয়েছিল, এবং মিস্ট্রাল নোট করেছেন যে সংখ্যাগুলি একক চেকপয়েন্ট থেকে আসে।

আকার তুলনা আকর্ষণীয় অংশ. মিস্ট্রাল রিপোর্ট করেছে যে 28M মডেলটি Chronos-2 কে হারায়, একটি মডেল প্রায় চারগুণ বড়, GIFT-Eval এবং TIME এ, যেখানে 209M মডেলটি কম প্যারামিটার সহ TimesFM-3 এবং Falcon-2.0 কে হারায়। পরিবারের প্রতিটি আকার, কোম্পানি বলছে, মডেলের আকারের বিপরীতে নির্ভুলতার প্যারেটো সামনে বসে — যার অর্থ একই প্যারামিটার গণনায় কোনও পাবলিক মডেলের পূর্বাভাস ভাল নয়।

এন্টারপ্রাইজ ডেটার জন্য নির্মিত যেটি সম্পর্কে কেউ টুইট করে না

টাইম সিরিজ অদ্ভূত কিন্তু সর্বব্যাপী: সেন্সর টেলিমেট্রি, অবজারভেবিলিটি মেট্রিক্স, এনার্জি লোড, সাপ্লাই-চেইন প্রবাহ, আর্থিক ভলিউম। মিস্ট্রালের যুক্তি হল যে এখানে ভিত্তি-মডেল কৌশলগুলি সবেমাত্র অবতরণ করেছে। ARIMA-এর মতো ক্লাসিক্যাল টুলগুলি বিচ্ছিন্নভাবে একটি একক সিরিজ ফিট করে এবং প্যাচটিএসটির মতো গভীর শিক্ষার মডেলগুলি সাধারণত প্রতি ডেটাসেট থেকে স্ক্র্যাচ থেকে প্রশিক্ষিত হয়, তাই নতুন ডোমেনে কিছুই স্থানান্তরিত হয় না।

টাইমস্ট্রাল ভাষার মডেল থেকে প্রাক-প্রশিক্ষণের প্লেবুক নেয় এবং এটি সংখ্যাসূচক ক্রমগুলিতে প্রয়োগ করে। একটি বৃহৎ, বৈচিত্র্যময় কর্পাসের উপর প্রশিক্ষিত, এটি এমন ডেটার উপর শূন্য-শট পূর্বাভাস দেয় যা এটি কখনও দেখেনি — ডোমেনগুলি সহ যেখানে লেবেলযুক্ত ইতিহাসের অভাব রয়েছে৷

মডেলগুলি 21টি কোয়ান্টাইল জুড়ে সম্ভাব্য, মাল্টিভেরিয়েট পূর্বাভাস তৈরি করে এবং তিন ধরণের পার্শ্ব তথ্য গ্রহণ করে: অতীত-শুধু কোভেরিয়েট, পরিচিত-ভবিষ্যত কোভেরিয়েট যেমন উত্পাদনের সময়সূচী বা আবহাওয়ার পূর্বাভাস, এবং শ্রেণীগত কোভেরিয়েট যেমন একটি মেশিনের অবস্থা (চলমান, নিষ্ক্রিয়, রক্ষণাবেক্ষণের অধীনে) যা এনকোড নম্বর হিসাবে বিকৃত করা হবে।

সিপিইউ ইকোনমিক্স

সম্ভবত সবচেয়ে বাণিজ্যিকভাবে তাৎপর্যপূর্ণ বিশদ: টাইমস্ট্রালের অনুমানে কোন GPU প্রয়োজন নেই। 8টি থ্রেড সহ একটি স্ট্যান্ডার্ড সার্ভার সিপিইউতে, মিস্ট্রাল বলেছেন, 15 মিনিটের ইতিহাসের তিন সপ্তাহ থেকে একদিন আগে পূর্বাভাস দিতে 5M মডেলের সাথে 10 মিলিসেকেন্ড এবং 209M মডেলের সাথে 140 মিলিসেকেন্ড সময় লাগে৷ 123M ভেরিয়েন্টটি ফ্ল্যাগশিপের স্কোরের 0.2% এর লেটেন্সির তিন-চতুর্থাংশের মধ্যে আসে।

এটি হাজার হাজার সেন্সর জুড়ে ক্রমাগত পূর্বাভাস দেয় - একটি শিল্প কারখানার পুরো বহর - একটি GPU ক্লাস্টার প্রকল্পের পরিবর্তে একটি মূলধারার হার্ডওয়্যার প্রস্তাব।

আন্ডার দ্য হুড: চারটি প্রযুক্তিগত বাজি

মিস্ট্রাল একটি আসন্ন প্রযুক্তিগত প্রতিবেদনে বিশদ বিবরণ দেওয়ার পরিকল্পনা করে এমন কয়েকটি কৌশলকে ফলাফলের কৃতিত্ব দেয়:

  • ডিকপল্ড হরাইজন ফোরকাস্টিং (ডিএইচএফ)। টোটো 2.0 এবং টাইমসএফএম-3 এর মতো কার্যকারণ ডিকোডার পদ্ধতিতে, পূর্বাভাসের মানগুলি মুখোশযুক্ত এবং প্রসঙ্গ হিসাবে হারিয়ে যায়। ডিএইচএফ ক্রমানুসারে সম্পূর্ণ ইতিহাস রাখে যখন শেখা পূর্বাভাস টোকেনগুলি এটি পড়ে, তাই প্রতিটি পর্যবেক্ষণ করা মান লক্ষ্য এবং প্রসঙ্গ উভয়ই কাজ করে এবং সত্য ফাঁকগুলি অনুপস্থিত হিসাবে চিহ্নিত থাকে।
  • কোভেরিয়েট-সচেতন মনোযোগ। প্রতিটি ইনপুট সিরিজকে একটি ভূমিকা বরাদ্দ করা হয় — লক্ষ্য, শুধুমাত্র অতীত-কোভেরিয়েট বা পরিচিত-ভবিষ্যত কোভেরিয়েট — তথ্য শুধুমাত্র কোভেরিয়েট থেকে লক্ষ্যে প্রবাহিত হয়, তাই ছুটির ক্যালেন্ডার লক্ষ্যের নিজস্ব ভবিষ্যত ফাঁস না করে একটি পূর্বাভাস জানাতে পারে।
  • সিন্থেটিক-প্রথম ডেটা। প্রশিক্ষণের বেশিরভাগ ডেটা সিন্থেটিক ছিল: সুসংগত প্রবণতা, ঋতুতা এবং শব্দের সাথে একবিভিন্ন প্রক্রিয়া, একটি মাল্টিভেরিয়েট সিন্থেসাইজারের দ্বারা মিলিত যা তাদের মধ্যে অরৈখিক নির্ভরতা প্রবর্তন করে।
  • দুই-পর্যায়ের প্রশিক্ষণ। 8,192 প্রসঙ্গে বিশুদ্ধভাবে সিন্থেটিক ডেটার উপর প্রাক-প্রশিক্ষণ, তারপর CRPS-এর বিচ্ছিন্ন অনুমান হিসাবে 21 কোয়ান্টাইলের বেশি পিনবল লস ব্যবহার করে 4x দীর্ঘ প্রসঙ্গ সহ বাস্তব এবং সিন্থেটিক ডেটার মিশ্রণে প্রশিক্ষণ-পরবর্তী।

ওপেন ওয়েট, এয়ার-গ্যাপড ডিপ্লয়মেন্ট

পরিবারের জাহাজ চারটি আকারে — 5M, 28M, 123M এবং 209M প্যারামিটার — যার প্রসঙ্গ দৈর্ঘ্য 32,768 টাইম স্টেপ। একটি পরিবর্তিত এমআইটি লাইসেন্সের অধীনে হাগিং ফেস-এ ওজনগুলি প্রকাশিত হয় এবং মিস্ট্রাল ব্যক্তিগত ডেটাতে মডেলগুলি চালানোর জন্য একটি গিটহাব সংগ্রহস্থল প্রকাশ করেছে। একটি সম্পূর্ণ প্রযুক্তিগত প্রতিবেদন অনুসরণ করার প্রতিশ্রুতি দেওয়া হয়।

যে এন্টারপ্রাইজগুলির আরও প্রয়োজন তাদের জন্য, টাইমস্ট্রাল কোম্পানির প্রশিক্ষণ পাইপলাইন Mistral Forge-এর মাধ্যমে উপলব্ধ, মালিকানা ডেটা, ডোমেন-নির্দিষ্ট আর্কিটেকচারাল এক্সটেনশন, এবং প্রশিক্ষণ মিশ্রণের উপর সূক্ষ্ম-টিউনিং সমর্থন করে — গ্রাহক হার্ডওয়্যারের উপর স্থাপনা সহ, এয়ার-গ্যাপড পরিবেশ সহ। মিস্ট্রাল স্পষ্টভাবে বলেছেন যে পাইপলাইন গ্যারান্টি দিতে পারে যে ব্যাকটেস্টিংয়ের সময় দেখা যায় এমন কিছুই প্রাক-প্রশিক্ষণ ডেটাতে ছিল না, নিয়ন্ত্রিত অর্থ এবং শিল্প গ্রাহকদের জন্য একটি উল্লেখযোগ্য দাবি।

কোম্পানিটি মডেলগুলির জন্য একটি এজেন্টিক ভবিষ্যৎও স্কেচ করে: টাইমস্ট্রাল সেন্সর স্ট্রীম দেখা, একটি পাম্পে একটি অসঙ্গতি ফ্ল্যাগ করা, তারপর একটি ভাষা-মডেল এজেন্টের কাছে হস্তান্তর করা যা অনুরূপ ঐতিহাসিক ব্যর্থতাগুলি পুনরুদ্ধার করে, রক্ষণাবেক্ষণ রেকর্ড এবং শিফট লগগুলির উপর মূল-কারণ বিশ্লেষণ চালায়, এবং উদ্ভিদের রোগ নির্ণয়ের জন্য একটি খসড়া তৈরি করে৷

কেন এটা গুরুত্বপূর্ণ

রিলিজটি একটি অনুস্মারক যে ফাউন্ডেশন-মডেল রেস শুধুমাত্র ট্রিলিয়ন-প্যারামিটার এলএলএম সম্পর্কে নয়। পূর্বাভাস হল শিল্পের সর্বোচ্চ-ভলিউম AI ওয়ার্কলোডগুলির মধ্যে একটি, এবং একটি 209M-প্যারামিটার মডেল যা CPU-তে চলাকালীন পাবলিক বেঞ্চমার্কে নেতৃত্ব দেয় বাস্তব বাজেট পরিবর্তন করতে পারে। এটি এমন এক মুহুর্তে মিস্ট্রালের পোর্টফোলিওকে ভাষার মডেলের বাইরেও বৈচিত্র্যময় করে যখন প্যারিস-ভিত্তিক ল্যাব, €21 বিলিয়ন মূল্যায়নে €3 বিলিয়ন উত্থাপন করে, ইউরোপীয় AI-কে সার্বভৌমত্ব, দক্ষতা এবং প্রাঙ্গনে স্থাপনার চারপাশে অবস্থান করছে — সমস্ত বক্স টাইমস্ট্রাল ডিজাইন দ্বারা চেক করে।

_এই নিবন্ধটি 15 অক্টোবর, 2026-এর মিস্ট্রালের অফিসিয়াল টাইমস্ট্রাল ঘোষণার উপর ভিত্তি করে তৈরি করা হয়েছে।_

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →