Mistral AI wis ngrilis Timestral, kulawarga model pondasi seri wektu sing sepisanan, lan rilis sing sepi saiki entuk tumindak kaping pindho: woro-woro kasebut, diterbitake ing blog Mistral tanggal 15 Oktober, tekan kaca ngarep Hacker News tanggal 19 Oktober, ing ngendi dheweke entuk atusan upvotes. Jarak kasebut ora biasa kanggo jaman model dhasar - prakiraan paling canggih saka model cilik nganti 5 yuta nganti 209 yuta paramèter sing mlaku ing CPU server biasa.

Pisanan ing Kabeh Telung Patokan Utama For more context on this story, see our ongoing AI industry coverage.

Mistral ujar manawa model Timestral paling gedhe, mung 209M paramèter, rangking pisanan ing kabeh telu saka pathokan umum utama lapangan - GIFT-Eval, TIME lan fev-bench - ngluwihi kinerja seni sadurunge kanthi kira-kira rong pertiga saka paramèter. Asil dikirim menyang papan pamimpin GIFT-Eval lan TIME, lan Mistral nyathet nomer kasebut saka siji checkpoint tanpa ensemble.

Perbandingan ukuran minangka bagean sing nggumunake. Mistral nglaporake manawa model 28M ngalahake Chronos-2, model kira-kira kaping papat luwih gedhe, ing GIFT-Eval lan TIME, dene model 209M ngalahake TimesFM-3 lan Falcon-2.0 kanthi paramèter sing luwih sithik. Saben ukuran ing kulawarga, perusahaan ngandika, lenggah ing ngarep Pareto akurasi versus ukuran model - tegese ora model umum ramalan luwih apik ing count parameter padha.

Dibangun kanggo Data Perusahaan Ora Ana Tweet Babagan

Seri wektu ora nyenengake nanging ana ing ngendi-endi: telemetri sensor, metrik observasi, beban energi, aliran rantai pasokan, volume finansial. Argumentasi Mistral yaiku ing ngendi tèknik model pondasi wis meh ndharat. Piranti klasik kaya ARIMA cocog karo seri siji kanthi kapisah, lan model pembelajaran jero kaya PatchTST biasane dilatih saka awal saben set data, mula ora ana sing ditransfer menyang domain anyar.

Timestral njupuk playbook pra-latihan saka model basa lan ditrapake kanggo urutan numerik. Dilatih ing korpus sing gedhe lan macem-macem, ramalan kasebut nol dijupuk ing data sing durung nate dideleng - kalebu domain ing ngendi sejarah sing dicap langka.

Model kasebut ngasilake probabilistik, prakiraan multivariat ing 21 quantilles lan nampa telung jinis informasi sisih: mung kovariat kepungkur, kovariat ing mangsa ngarep kayata jadwal produksi utawa ramalan cuaca, lan kovariat kategoris kaya kahanan mesin (mlaku, nganggur, ing pangopènan) sing bakal kleru yen dikode minangka angka biasa.

Ekonomi CPU

Bisa uga rincian sing paling penting kanthi komersial: Timestral ora mbutuhake GPU ing kesimpulan. Ing CPU server standar kanthi 8 utas, ujare Mistral, prakiraan sedina sadurunge telung minggu sejarah 15 menit mbutuhake 10 milidetik kanthi model 5M lan 140 milidetik kanthi model 209M. Varian 123M kasedhiya ing 0.2% saka skor kapal penggedhe ing telung perempat saka latensi.

Sing nggawe ramalan terus-terusan ing ewonan sensor - kabeh armada pabrik industri - minangka proposisi hardware utama tinimbang proyek kluster GPU.

Ing Hood: Four Bets Technical

Mistral menehi asil kanggo sawetara teknik sing direncanakake kanggo rinci ing laporan teknis sing bakal teka:

  • Decoupled Horizon Forecasting (DHF). Ing pendekatan decoder kausal kaya Toto 2.0 lan TimesFM-3, nilai sing bakal diramalake ditutupi lan ilang minangka konteks. DHF nyimpen sajarah lengkap ing urutan nalika token ramalan sinau maca, supaya saben nilai diamati serves minangka target lan konteks, lan kesenjangan bener tetep flaged minangka ilang.
  • Covariate-aware manungsa waé. Saben seri input diutus peran — target, past-mung kovariate utawa dikenal-mangsa kovariate — karo informasi mili mung saka kovariat kanggo target, supaya tanggalan preian bisa ngandhani prakiraan tanpa bocor mangsa dhewe target.
  • Data pisanan sintetis. Mayoritas data latihan yaiku sintetik: proses univariat kanthi tren koheren, musiman lan gangguan, digabungake karo synthesizer multivariat sing ngenalake dependensi nonlinier ing antarane.
  • Latihan rong tahap. Pra-training ing data sejatine sifate sintetik ing 8.192 konteks, banjur post-training ing campuran data nyata lan sintetik karo konteks 4x maneh, nggunakake mundhut pinball liwat 21 quantilles minangka panyerakan diskret saka CRPS.

Bobot Bukak, Penyebaran Gapped Udara

Kapal kulawarga ing papat ukuran - 5M, 28M, 123M lan 209M paramèter - karo dawa konteks 32.768 langkah wektu. Bobot diterbitake ing Hugging Face miturut lisensi MIT sing diowahi, lan Mistral wis ngrilis repositori GitHub kanggo mbukak model ing data pribadi. Laporan teknis lengkap dijanjekake bakal ditindakake.

Kanggo perusahaan sing mbutuhake liyane, Timestral kasedhiya liwat Mistral Forge, pipa latihan perusahaan, ndhukung fine-tuning ing data kepemilikan, ekstensi arsitektur domain-tartamtu, lan kontrol liwat latihan campuran - karo penyebaran prajurit ing hardware customer, kalebu air-gapped lingkungan. Mistral kanthi tegas ujar manawa pipa kasebut bisa njamin manawa ora ana sing katon sajrone backtesting ing data pra-latihan, pratelan penting kanggo para pelanggan finansial lan industri sing diatur.

Perusahaan uga nggawe sketsa masa depan agen kanggo model kasebut: Lepen sensor nonton timestral, menehi tandha anomali ing pompa, banjur nyerahake menyang agen model basa sing njupuk kegagalan sejarah sing padha, nglakokake analisis sabab-root babagan cathetan pangopènan lan log shift, lan nggawe diagnosis kanggo manajer pabrik.

Apa Sing Penting

Rilis kasebut minangka pangeling yen balapan model dhasar ora mung babagan triliun-parameter LLM. Prakiraan minangka salah sawijining beban kerja AI kanthi volume paling dhuwur ing industri, lan model parameter 209M sing ndadékaké pathokan umum nalika mlaku ing CPU bisa ngganti anggaran nyata. Iki uga macem-macem portofolio Mistral ngluwihi model basa nalika lab sing berbasis ing Paris, kanthi mundhak € 3 milyar kanthi regane € 21 milyar, posisi AI Eropa babagan kedaulatan, efisiensi lan panyebaran ing papan - kabeh kothak mriksa Timestral kanthi desain.

_Artikel iki adhedhasar pengumuman Timestral resmi Mistral tanggal 15 Oktober 2026._

---

Stay Ahead of AI

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

Read more AI news →