मिस्ट्रल एआई ने टाइम-सीरीज़ फाउंडेशन मॉडल के अपने पहले परिवार, टाइमस्ट्रल को जारी किया है, और शांत रिलीज को अब जोरदार दूसरा कार्य मिल रहा है: 15 अक्टूबर को मिस्ट्रल के ब्लॉग पर प्रकाशित घोषणा, 19 अक्टूबर को हैकर न्यूज के पहले पन्ने पर पहुंच गई, जहां इसे सैकड़ों अपवोट मिले। फाउंडेशन-मॉडल युग के लिए पिच असामान्य है - सामान्य सर्वर सीपीयू पर चलने वाले 5 मिलियन से 209 मिलियन पैरामीटर तक के छोटे मॉडल से अत्याधुनिक पूर्वानुमान।

तीनों प्रमुख बेंचमार्क पर प्रथम For more context on this story, see our ongoing artificial intelligence updates.

मिस्ट्रल का कहना है कि इसका सबसे बड़ा टाइमस्ट्रल मॉडल, केवल 209M मापदंडों पर, क्षेत्र के सभी तीन मुख्य सार्वजनिक बेंचमार्क - GIFT-Eval, TIME और fev-bench पर पहले स्थान पर है - जो लगभग दो-तिहाई मापदंडों के साथ कला की पिछली स्थिति से बेहतर प्रदर्शन करता है। परिणाम GIFT-Eval और TIME लीडरबोर्ड पर प्रस्तुत किए गए थे, और मिस्ट्रल ने नोट किया कि संख्याएँ बिना संयोजन के एक ही चेकपॉइंट से आती हैं।

आकार की तुलना उल्लेखनीय हिस्सा है। मिस्ट्रल की रिपोर्ट है कि 28M मॉडल GIFT-Eval और TIME पर लगभग चार गुना बड़े मॉडल क्रोनोस-2 को मात देता है, जबकि 209M मॉडल कम मापदंडों के साथ टाइम्सएफएम-3 और फाल्कन-2.0 को मात देता है। कंपनी का कहना है कि परिवार में हर आकार, मॉडल आकार की तुलना में सटीकता के पेरेटो मोर्चे पर बैठता है - जिसका अर्थ है कि कोई भी सार्वजनिक मॉडल समान पैरामीटर गणना पर बेहतर पूर्वानुमान नहीं लगाता है।

एंटरप्राइज़ डेटा के लिए निर्मित जिसके बारे में कोई ट्वीट नहीं करता

समय श्रृंखला अस्वाभाविक लेकिन सर्वव्यापी है: सेंसर टेलीमेट्री, अवलोकन मेट्रिक्स, ऊर्जा भार, आपूर्ति-श्रृंखला प्रवाह, वित्तीय मात्रा। मिस्ट्रल का तर्क है कि यह वह जगह है जहां फाउंडेशन-मॉडल तकनीकें मुश्किल से ही उतरी हैं। ARIMA जैसे शास्त्रीय उपकरण अलगाव में एक ही श्रृंखला में फिट होते हैं, और PatchTST जैसे गहन शिक्षण मॉडल आमतौर पर प्रति डेटासेट स्क्रैच से प्रशिक्षित होते हैं, इसलिए कुछ भी नए डोमेन में स्थानांतरित नहीं होता है।

टाइमेस्ट्रल भाषा मॉडल से पूर्व-प्रशिक्षण प्लेबुक लेता है और इसे संख्यात्मक अनुक्रमों पर लागू करता है। एक बड़े, विविध कोष पर प्रशिक्षित, यह उस डेटा पर शून्य-शॉट का पूर्वानुमान लगाता है जिसे उसने कभी नहीं देखा है - इसमें ऐसे डोमेन भी शामिल हैं जहां लेबल इतिहास दुर्लभ है।

मॉडल 21 मात्राओं में संभाव्य, बहुभिन्नरूपी पूर्वानुमान उत्पन्न करते हैं और तीन प्रकार की साइड जानकारी स्वीकार करते हैं: केवल अतीत के सहसंयोजक, ज्ञात-भविष्य के सहसंयोजक जैसे कि उत्पादन कार्यक्रम या मौसम पूर्वानुमान, और मशीन की स्थिति (चलने, निष्क्रिय, रखरखाव के तहत) जैसे श्रेणीबद्ध सहसंयोजक जो सादे संख्याओं के रूप में एन्कोड किए जाने पर विकृत हो जाएंगे।

सीपीयू अर्थशास्त्र

शायद सबसे व्यावसायिक रूप से महत्वपूर्ण विवरण: टाइमस्ट्रल को अनुमान के लिए किसी जीपीयू की आवश्यकता नहीं है। मिस्ट्रल का कहना है कि 8 थ्रेड वाले एक मानक सर्वर सीपीयू पर, 15 मिनट के इतिहास के तीन सप्ताह से एक दिन आगे का पूर्वानुमान लगाने में 5M मॉडल के साथ 10 मिलीसेकंड और 209M मॉडल के साथ 140 मिलीसेकंड लगते हैं। 123M वैरिएंट अपनी विलंबता के तीन-चौथाई पर फ्लैगशिप के स्कोर के 0.2% के भीतर आता है।

यह हजारों सेंसरों - एक औद्योगिक संयंत्र के पूरे बेड़े - में निरंतर पूर्वानुमान बनाता है - एक जीपीयू क्लस्टर प्रोजेक्ट के बजाय एक मुख्यधारा हार्डवेयर प्रस्ताव।

हुड के नीचे: चार तकनीकी दांव

मिस्ट्रल इन परिणामों का श्रेय कई तकनीकों को देता है जिनका विवरण वह आगामी तकनीकी रिपोर्ट में देने की योजना बना रहा है:

  • डिकॉउल्ड होराइजन फोरकास्टिंग (डीएचएफ)। टोटो 2.0 और टाइम्सएफएम-3 जैसे कारण डिकोडर दृष्टिकोण में, पूर्वानुमानित किए जाने वाले मान छिपा दिए जाते हैं और संदर्भ के रूप में खो जाते हैं। डीएचएफ पूरे इतिहास को अनुक्रम में रखता है जबकि सीखे गए पूर्वानुमान टोकन इसे पढ़ते हैं, इसलिए प्रत्येक मनाया गया मूल्य लक्ष्य और संदर्भ दोनों के रूप में कार्य करता है, और वास्तविक अंतराल को लापता के रूप में चिह्नित किया जाता है।
  • कोवरिएट-जागरूक ध्यान। प्रत्येक इनपुट श्रृंखला को एक भूमिका सौंपी जाती है - लक्ष्य, केवल अतीत का कोवरिएट या ज्ञात-भविष्य का कोवरिएट - जिसमें जानकारी केवल कोवरिएट से लक्ष्य तक प्रवाहित होती है, इसलिए एक अवकाश कैलेंडर लक्ष्य के भविष्य को लीक किए बिना पूर्वानुमान की जानकारी दे सकता है।
  • सिंथेटिक-प्रथम डेटा। अधिकांश प्रशिक्षण डेटा सिंथेटिक था: सुसंगत प्रवृत्तियों, मौसमी और शोर के साथ अविभाज्य प्रक्रियाएं, एक बहुभिन्नरूपी सिंथेसाइज़र द्वारा संयुक्त जो उनके बीच गैर-रेखीय निर्भरता का परिचय देता है।
  • दो-चरणीय प्रशिक्षण। 8,192 संदर्भ में विशुद्ध रूप से सिंथेटिक डेटा पर पूर्व-प्रशिक्षण, फिर 4x लंबे संदर्भ के साथ वास्तविक और सिंथेटिक डेटा के मिश्रण पर प्रशिक्षण के बाद, सीआरपीएस के असतत अनुमान के रूप में 21 क्वांटाइल से अधिक पिनबॉल हानि का उपयोग करना।

खुला वजन, एयर-गैप्ड तैनाती

परिवार चार आकारों में जहाज करता है - 5M, 28M, 123M और 209M पैरामीटर - 32,768 समय चरणों की संदर्भ लंबाई के साथ। वेट्स को संशोधित एमआईटी लाइसेंस के तहत हगिंग फेस पर प्रकाशित किया जाता है, और मिस्ट्रल ने निजी डेटा पर मॉडल चलाने के लिए एक गिटहब रिपॉजिटरी जारी की है। एक पूर्ण तकनीकी रिपोर्ट का पालन करने का वादा किया गया है।

जिन उद्यमों को अधिक आवश्यकता है, उनके लिए टाइमेस्ट्रल कंपनी की प्रशिक्षण पाइपलाइन मिस्ट्रल फोर्ज के माध्यम से उपलब्ध है, जो मालिकाना डेटा पर फाइन-ट्यूनिंग, डोमेन-विशिष्ट वास्तुशिल्प एक्सटेंशन और प्रशिक्षण मिश्रण पर नियंत्रण का समर्थन करता है - एयर-गैप्ड वातावरण सहित ग्राहक हार्डवेयर पर तैनाती के साथ। मिस्ट्रल स्पष्ट रूप से कहता है कि पाइपलाइन यह गारंटी दे सकती है कि बैकटेस्टिंग के दौरान देखा गया कुछ भी प्री-ट्रेनिंग डेटा में नहीं था, जो विनियमित वित्त और औद्योगिक ग्राहकों के लिए एक उल्लेखनीय दावा है।

कंपनी मॉडलों के लिए एक एजेंटिक भविष्य का भी रेखाचित्र बनाती है: टाइमस्ट्रल सेंसर स्ट्रीम देखना, एक पंप पर एक विसंगति को चिह्नित करना, फिर एक भाषा-मॉडल एजेंट को सौंपना जो समान ऐतिहासिक विफलताओं को पुनर्प्राप्त करता है, रखरखाव रिकॉर्ड और शिफ्ट लॉग पर मूल-कारण विश्लेषण चलाता है, और प्लांट मैनेजर के लिए निदान का मसौदा तैयार करता है।

यह क्यों मायने रखता है

यह रिलीज़ एक अनुस्मारक है कि फाउंडेशन-मॉडल की दौड़ केवल ट्रिलियन-पैरामीटर एलएलएम के बारे में नहीं है। पूर्वानुमान उद्योग में सबसे अधिक मात्रा वाले एआई वर्कलोड में से एक है, और एक 209एम-पैरामीटर मॉडल जो सीपीयू पर चलने के दौरान सार्वजनिक बेंचमार्क का नेतृत्व करता है, वास्तविक बजट को बदल सकता है। यह उस समय भाषा मॉडल से परे मिस्ट्रल के पोर्टफोलियो में विविधता लाता है जब पेरिस स्थित लैब, €21 बिलियन के मूल्यांकन पर €3 बिलियन की बढ़ोतरी के बाद, यूरोपीय एआई को संप्रभुता, दक्षता और ऑन-प्रिमाइसेस परिनियोजन के आसपास स्थापित कर रही है - सभी बॉक्स टाइमस्ट्रल डिजाइन द्वारा जांचते हैं।

_यह लेख मिस्ट्रल की 15 अक्टूबर 2026 की आधिकारिक टाइमस्ट्रल घोषणा पर आधारित है।_

---

Stay Ahead of AI

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

Read more AI news →