Mistral AI ने Timestral, टाइम-सीरीज फाउंडेशन मॉडेल्सचे पहिले कुटुंब, रिलीज केले आहे आणि शांत रिलीझला आता एक जोरात दुसरी कृती मिळत आहे: 15 ऑक्टोबर रोजी Mistral च्या ब्लॉगवर प्रकाशित झालेली घोषणा, 19 ऑक्टोबर रोजी हॅकर न्यूजच्या पहिल्या पानावर पोहोचली, जिथे त्याला शेकडो अपवोट मिळाले. फाउंडेशन-मॉडेल युगासाठी खेळपट्टी असामान्य आहे — साधारण सर्व्हर CPU वर चालणाऱ्या 5 दशलक्ष ते 209 दशलक्ष पॅरामीटर्स इतके लहान मॉडेल्सवरून अत्याधुनिक अंदाज.

सर्व तीन प्रमुख बेंचमार्कवर प्रथम For more context on this story, see our ongoing AI industry coverage.

मिस्ट्रल म्हणतो की, त्याचे सर्वात मोठे टाइमस्ट्रल मॉडेल, फक्त 209M पॅरामीटर्सवर, फील्डच्या तीनही मुख्य सार्वजनिक बेंचमार्कमध्ये प्रथम क्रमांकावर आहे - GIFT-Eval, TIME आणि fev-bench — अंदाजे दोन-तृतीयांश पॅरामीटर्ससह पूर्वीच्या कलाच्या स्थितीला मागे टाकत आहे. GIFT-Eval आणि TIME लीडरबोर्डवर परिणाम सबमिट केले गेले आणि मिस्ट्रलने नोंदवले की संख्या एकत्र न करता एकाच चेकपॉईंटवरून येतात.

आकाराची तुलना हा उल्लेखनीय भाग आहे. मिस्ट्रलने अहवाल दिला आहे की 28M मॉडेल क्रोनोस-2 या मॉडेलला GIFT-Eval आणि TIME वर चारपट मोठे आहे, तर 209M मॉडेल TimesFM-3 आणि Falcon-2.0 ला कमी पॅरामीटर्ससह मागे टाकते. कुटुंबातील प्रत्येक आकार, कंपनी म्हणते, अचूकतेच्या विरूद्ध मॉडेल आकाराच्या पॅरेटो आघाडीवर बसते - म्हणजे समान पॅरामीटर मोजणीवर कोणतेही सार्वजनिक मॉडेल चांगले अंदाज लावत नाही.

एंटरप्राइझ डेटासाठी तयार केले आहे ज्याबद्दल कोणीही ट्विट करत नाही

वेळेची मालिका अप्रतिम पण सर्वव्यापी आहे: सेन्सर टेलिमेट्री, निरीक्षणक्षमता मेट्रिक्स, ऊर्जा भार, पुरवठा-साखळी प्रवाह, आर्थिक खंड. मिस्ट्रलचा युक्तिवाद असा आहे की येथेच पाया-मॉडेल तंत्र फारच कमी झाले आहे. ARIMA सारखी शास्त्रीय साधने एकाच मालिकेत एकाकी बसतात आणि PatchTST सारखी सखोल शिक्षण मॉडेल्स सामान्यत: प्रति डेटासेट स्क्रॅचपासून प्रशिक्षित केली जातात, त्यामुळे नवीन डोमेनमध्ये काहीही हस्तांतरित होत नाही.

टाइमस्ट्रल भाषेच्या मॉडेल्समधून प्री-ट्रेनिंग प्लेबुक घेते आणि ते संख्यात्मक अनुक्रमांवर लागू करते. मोठ्या, वैविध्यपूर्ण कॉर्पसवर प्रशिक्षित, ते कधीही न पाहिलेल्या डेटावर शून्य-शॉटचा अंदाज लावते — ज्या डोमेनसह लेबल केलेला इतिहास दुर्मिळ आहे.

मॉडेल 21 क्वांटाइलमध्ये संभाव्य, बहुविविध अंदाज तयार करतात आणि तीन प्रकारची बाजू माहिती स्वीकारतात: केवळ भूतकाळातील कोव्हेरिएट्स, ज्ञात-भविष्यातील कोव्हेरिएट्स जसे की उत्पादन शेड्यूल किंवा हवामान अंदाज, आणि मशीनची स्थिती (चालत, निष्क्रिय, देखरेखीखाली) यांसारखे स्पष्ट कोव्हेरिएट्स जे एनकोड क्रमांक म्हणून विकृत केले जातील.

CPU अर्थशास्त्र

कदाचित सर्वात व्यावसायिकदृष्ट्या महत्त्वपूर्ण तपशील: टाइमस्ट्रलला अनुमानानुसार GPU ची आवश्यकता नाही. 8 थ्रेडसह मानक सर्व्हर CPU वर, मिस्ट्रल म्हणतात, 15-मिनिटांच्या इतिहासाच्या तीन आठवड्यांपासून एक दिवस पुढे अंदाज लावण्यासाठी 5M मॉडेलसह 10 मिलीसेकंद आणि 209M मॉडेलसह 140 मिलीसेकंद लागतात. 123M प्रकार फ्लॅगशिपच्या स्कोअरच्या 0.2% च्या आत त्याच्या विलंबतेच्या तीन-चतुर्थांश वर येतो.

यामुळे हजारो सेन्सर्सवर सतत अंदाज येतो — औद्योगिक प्लांटचा संपूर्ण फ्लीट — जीपीयू क्लस्टर प्रकल्पाऐवजी मुख्य प्रवाहातील हार्डवेअर प्रस्ताव.

अंडर द हुड: चार तांत्रिक बेट

मिस्ट्रलने परिणामांचे श्रेय अनेक तंत्रांना दिले आहे ज्याचा तपशील आगामी तांत्रिक अहवालात देण्याची योजना आहे:

  • Decoupled Horizon Forecasting (DHF). Toto 2.0 आणि TimesFM-3 सारख्या कारणात्मक डीकोडर पध्दतींमध्ये, अंदाज द्यायची मूल्ये मुखवटा घातली जातात आणि संदर्भ म्हणून गमावली जातात. DHF संपूर्ण इतिहास अनुक्रमात ठेवते आणि शिकलेले अंदाज टोकन वाचतात, त्यामुळे प्रत्येक निरीक्षण मूल्य लक्ष्य आणि संदर्भ दोन्ही म्हणून काम करते आणि खरे अंतर गहाळ म्हणून ध्वजांकित केले जाते.
  • कोव्हेरिएट-जागरूक लक्ष. प्रत्येक इनपुट मालिकेला एक भूमिका नियुक्त केली जाते — लक्ष्य, फक्त भूतकाळातील कोव्हेरिएट किंवा ज्ञात-भविष्यातील कोव्हेरिएट — माहिती फक्त कोव्हेरिएट्सपासून लक्ष्यापर्यंत प्रवाहित करते, त्यामुळे सुट्टीचे कॅलेंडर लक्ष्याच्या स्वतःच्या भविष्याची गळती न करता अंदाज सूचित करू शकते.
  • सिंथेटिक-प्रथम डेटा. बहुतेक प्रशिक्षण डेटा सिंथेटिक होता: सुसंगत ट्रेंड, ऋतू आणि आवाजासह अविविध प्रक्रिया, बहुविविध सिंथेसायझरद्वारे एकत्रित जे त्यांच्या दरम्यान नॉनलाइनर अवलंबनांचा परिचय देते.
  • दोन-टप्प्याचे प्रशिक्षण. 8,192 संदर्भावर पूर्णपणे कृत्रिम डेटावर पूर्व-प्रशिक्षण, नंतर CRPS च्या वेगळ्या अंदाजानुसार 21 क्वांटाइल्सपेक्षा जास्त पिनबॉल नुकसान वापरून 4x दीर्घ संदर्भासह वास्तविक आणि कृत्रिम डेटाच्या मिश्रणावर प्रशिक्षणोत्तर.

ओपन वेट्स, एअर-गॅप्ड डिप्लॉयमेंट

32,768 टाईम स्टेप्सच्या संदर्भ लांबीसह कुटुंब चार आकारांमध्ये - 5M, 28M, 123M आणि 209M पॅरामीटर्समध्ये पाठवते. सुधारित एमआयटी परवान्याअंतर्गत हगिंग फेसवर वजन प्रकाशित केले जाते आणि मिस्ट्रलने खाजगी डेटावर मॉडेल्स चालविण्यासाठी गिटहब रेपॉजिटरी जारी केली आहे. संपूर्ण तांत्रिक अहवालाचे पालन करण्याचे आश्वासन दिले आहे.

ज्या उद्योगांना अधिक गरज आहे त्यांच्यासाठी, Timestral Mistral Forge द्वारे उपलब्ध आहे, कंपनीची प्रशिक्षण पाइपलाइन, मालकीच्या डेटावर फाईन-ट्यूनिंग, डोमेन-विशिष्ट आर्किटेक्चरल विस्तार आणि प्रशिक्षण मिश्रणावर नियंत्रण - एअर-गॅप्ड वातावरणासह ग्राहक हार्डवेअरवर तैनातीसह. मिस्ट्रल स्पष्टपणे सांगतात की पाइपलाइन हमी देऊ शकते की बॅकटेस्टिंग दरम्यान दिसलेले काहीही पूर्व-प्रशिक्षण डेटामध्ये नव्हते, हे नियमन केलेल्या वित्त आणि औद्योगिक ग्राहकांसाठी एक उल्लेखनीय दावा आहे.

कंपनी मॉडेल्ससाठी एजंटिक भविष्य देखील रेखाटते: टाइमस्ट्रल सेन्सर प्रवाह पाहणे, पंपवर विसंगती फ्लॅग करणे, नंतर तत्सम ऐतिहासिक अपयश पुनर्प्राप्त करणाऱ्या भाषा-मॉडेल एजंटला सोपवणे, देखभाल नोंदी आणि शिफ्ट लॉगवर मूळ कारणांचे विश्लेषण चालवणे आणि वनस्पतीच्या निदानासाठी मसुदा तयार करणे.

हे महत्त्वाचे का आहे

प्रकाशन हे एक स्मरणपत्र आहे की फाउंडेशन-मॉडेल शर्यत केवळ ट्रिलियन-पॅरामीटर LLM साठी नाही. अंदाज हे उद्योगातील सर्वोच्च-व्हॉल्यूम एआय वर्कलोड्सपैकी एक आहे आणि CPU वर चालत असताना सार्वजनिक बेंचमार्कचे नेतृत्व करणारे 209M-पॅरामीटर मॉडेल वास्तविक बजेट बदलू शकते. पॅरिस-आधारित लॅब, €21 अब्ज मूल्यावर €3 अब्ज वाढवून, सार्वभौमत्व, कार्यक्षमता आणि ऑन-प्रिमाइसेस तैनाती - सर्व बॉक्स टाइमस्ट्रल डिझाईनद्वारे तपासत आहे अशा क्षणी मिस्ट्रलच्या पोर्टफोलिओमध्ये भाषा मॉडेलच्या पलीकडे विविधता आणते.

_हा लेख मिस्ट्रलच्या 15 ऑक्टोबर 2026 च्या अधिकृत टाइमस्ट्रल घोषणेवर आधारित आहे._

---

Stay Ahead of AI

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

Read more AI news →