Mistral AI telah merilis Timestral, keluarga pertama dari model dasar rangkaian waktu, dan rilis diam-diam ini kini mendapatkan tindakan kedua yang keras: pengumuman tersebut, yang diterbitkan di blog Mistral pada tanggal 15 Oktober, mencapai halaman depan Hacker News pada tanggal 19 Oktober, dan menarik ratusan suara positif. Pitch ini tidak biasa untuk era model dasar — ​​perkiraan canggih dari model sekecil 5 juta hingga 209 juta parameter yang dijalankan pada CPU server biasa.

Pertama pada Ketiga Tolok Ukur Utama For more context on this story, see our ongoing artificial intelligence updates.

Mistral mengatakan model Timestral terbesarnya, dengan hanya 209 juta parameter, menempati peringkat pertama pada ketiga tolok ukur publik utama di lapangan — GIFT-Eval, TIME, dan fev-bench — mengungguli model canggih sebelumnya dengan sekitar dua pertiga parameter. Hasilnya diserahkan ke papan peringkat GIFT-Eval dan TIME, dan Mistral mencatat bahwa angka-angka tersebut berasal dari satu pos pemeriksaan tanpa penyusunan.

Perbandingan ukuran adalah bagian yang mencolok. Mistral melaporkan bahwa model 28M mengalahkan Chronos-2, model yang empat kali lebih besar, pada GIFT-Eval dan TIME, sedangkan model 209M mengalahkan TimesFM-3 dan Falcon-2.0 dengan parameter yang lebih sedikit. Setiap ukuran dalam kelompok ini, kata perusahaan, berada di garis depan Pareto dalam hal akurasi versus ukuran model — yang berarti tidak ada model publik yang memperkirakan lebih baik pada jumlah parameter yang sama.

Dibangun untuk Data Perusahaan Tidak Ada yang Menge-Tweet

Deret waktu tidak menarik tetapi ada di mana-mana: telemetri sensor, metrik observabilitas, beban energi, aliran rantai pasokan, volume keuangan. Argumen Mistral adalah bahwa di sinilah teknik model dasar baru saja diterapkan. Alat klasik seperti ARIMA cocok dengan satu rangkaian secara terpisah, dan model pembelajaran mendalam seperti PatchTST biasanya dilatih dari awal per kumpulan data, sehingga tidak ada yang ditransfer ke domain baru.

Timestral mengambil pedoman pra-pelatihan dari model bahasa dan menerapkannya pada urutan numerik. Dilatih pada korpus yang besar dan beragam, ia memperkirakan data yang belum pernah dilihat sebelumnya — termasuk domain yang memiliki sejarah berlabel yang langka.

Model tersebut menghasilkan prakiraan probabilistik dan multivariat di 21 kuantil dan menerima tiga jenis informasi sampingan: kovariat masa lalu saja, kovariat masa depan yang diketahui seperti jadwal produksi atau prakiraan cuaca, dan kovariat kategoris seperti status mesin (berjalan, menganggur, dalam pemeliharaan) yang akan terdistorsi jika dikodekan sebagai angka biasa.

Ekonomi CPU

Mungkin detail yang paling signifikan secara komersial: Timestral tidak memerlukan GPU saat inferensi. Pada CPU server standar dengan 8 thread, kata Mistral, memperkirakan satu hari ke depan dari tiga minggu riwayat 15 menit membutuhkan 10 milidetik dengan model 5M dan 140 milidetik dengan model 209M. Varian 123M hadir dalam 0,2% dari skor andalan pada tiga perempat latensinya.

Hal ini menjadikan perkiraan berkelanjutan pada ribuan sensor – seluruh armada pabrik industri – menjadi proposisi perangkat keras utama dibandingkan proyek cluster GPU.

Di Balik Terpal: Empat Taruhan Teknis

Mistral memuji hasilnya pada beberapa teknik yang rencananya akan dirinci dalam laporan teknis mendatang:

  • Perkiraan Cakrawala Terpisah (DHF). Dalam pendekatan dekoder kausal seperti Toto 2.0 dan TimesFM-3, nilai yang akan diperkirakan disamarkan dan hilang sesuai konteks. DBD menyimpan riwayat lengkap dalam urutan sementara token perkiraan yang dipelajari membacanya, sehingga setiap nilai yang diamati berfungsi sebagai target dan konteks, dan kesenjangan yang sebenarnya tetap ditandai sebagai hilang.
  • Perhatian yang sadar akan kovariat. Setiap rangkaian masukan diberi peran — target, kovariat masa lalu saja, atau kovariat masa depan yang diketahui — dengan informasi mengalir hanya dari kovariat ke target, sehingga kalender hari libur dapat menginformasikan perkiraan tanpa membocorkan masa depan target itu sendiri.
  • Data yang mengutamakan sintetik. Mayoritas data pelatihan bersifat sintetik: proses univariat dengan tren, musim, dan gangguan yang koheren, dikombinasikan dengan penyintesis multivariat yang menimbulkan ketergantungan nonlinier di antara keduanya.
  • Pelatihan dua tahap. Pra-pelatihan dengan data sintetik murni pada 8.192 konteks, lalu pasca-pelatihan dengan campuran data nyata dan sintetik dengan konteks 4x lebih panjang, menggunakan kerugian pinball lebih dari 21 kuantil sebagai perkiraan diskret CRPS.

Bobot Terbuka, Penerapan Celah Udara

Keluarga ini dikirimkan dalam empat ukuran — parameter 5M, 28M, 123M, dan 209M — dengan panjang konteks 32.768 langkah waktu. Bobot dipublikasikan di Hugging Face di bawah lisensi MIT yang dimodifikasi, dan Mistral telah merilis repositori GitHub untuk menjalankan model pada data pribadi. Laporan teknis lengkap dijanjikan akan menyusul.

Bagi perusahaan yang membutuhkan lebih banyak, Timestral tersedia melalui Mistral Forge, jalur pelatihan perusahaan, yang mendukung penyesuaian data kepemilikan, ekstensi arsitektur khusus domain, dan kontrol atas campuran pelatihan — dengan penerapan pada perangkat keras pelanggan, termasuk lingkungan dengan celah udara. Mistral secara eksplisit mengatakan bahwa pipeline tersebut dapat menjamin bahwa tidak ada yang terlihat selama backtesting yang ada dalam data pra-pelatihan, sebuah klaim penting bagi pelanggan keuangan dan industri yang diatur.

Perusahaan juga membuat sketsa masa depan agen untuk model-model tersebut: Timestral mengamati aliran sensor, menandai anomali pada pompa, kemudian menyerahkannya ke agen model bahasa yang mengambil kegagalan historis serupa, menjalankan analisis akar penyebab pada catatan pemeliharaan dan log shift, dan menyusun diagnosis untuk manajer pabrik.

Mengapa Itu Penting

Rilis ini merupakan pengingat bahwa perlombaan model dasar bukan hanya tentang LLM dengan triliunan parameter. Perkiraan adalah salah satu beban kerja AI dengan volume tertinggi di industri, dan model dengan parameter 209 juta yang memimpin tolok ukur publik saat dijalankan pada CPU dapat mengubah anggaran sebenarnya. Hal ini juga mendiversifikasi portofolio Mistral di luar model bahasa pada saat laboratorium yang berbasis di Paris, yang baru saja menerima kenaikan gaji sebesar €3 miliar dengan penilaian €21 miliar, memposisikan AI Eropa pada kedaulatan, efisiensi, dan penerapan di lokasi – semuanya sesuai dengan desain Timestral.

_Artikel ini berdasarkan pengumuman resmi Timestral Mistral pada 15 Oktober 2026._

---

Stay Ahead of AI

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

Read more AI news →