Mistral AI သည် ၎င်း၏ပထမဆုံးအကြိမ်စီးရီးဖောင်ဒေးရှင်းအမျိုးအစားဖြစ်သော Timestral ကို ထုတ်ဝေခဲ့ပြီး ယခုအခါ တိတ်တိတ်ဆိတ်ဆိတ်ထွက်ရှိမှုသည် ကျယ်လောင်သောဒုတိယမြောက်လုပ်ရပ်တစ်ခုဖြစ်လာသည်- အောက်တိုဘာလ 15 ရက်နေ့တွင် Mistral ၏ဘလော့ဂ်တွင်ထုတ်ဝေသည့်ကြေငြာချက်သည် ရာနှင့်ချီသောမဲပေးသူများအောက်တိုဘာ 19 ရက်နေ့တွင် Hacker News ၏ရှေ့ဆုံးစာမျက်နှာသို့ရောက်ရှိခဲ့သည်။ သာမန်ဆာဗာ CPU များတွင် လုပ်ဆောင်သည့် သေးငယ်သော 5 သန်းမှ 209 သန်းအထိ သေးငယ်သော မော်ဒယ်များမှ ခေတ်မီသော ကြိုတင်ခန့်မှန်းချက်သည် အခြေခံမော်ဒယ်ခေတ်အတွက် အထူးအဆန်းဖြစ်သည်။

အဓိက စံညွှန်းသုံးခုစလုံးတွင် ပထမ For more context on this story, see our ongoing breaking AI news.

Mistral က ၎င်း၏အကြီးဆုံး Timestral မော်ဒယ်သည် ကန့်သတ်ဘောင် 209M သာရှိကာ နယ်ပယ်၏ အဓိကအများပြည်သူဆိုင်ရာစံနှုန်းများဖြစ်သည့် GIFT-Eval၊ TIME နှင့် fev-bench တို့တွင် ပထမနေရာသည် ကန့်သတ်ချက်များ၏ သုံးပုံနှစ်ပုံခန့်ဖြင့် ယခင်အနုပညာအခြေအနေထက် သာလွန်သည်ဟု Mistral မှပြောကြားခဲ့သည်။ ရလဒ်များကို GIFT-Eval နှင့် TIME ဦးဆောင်သူစာရင်းများသို့ တင်သွင်းခဲ့ပြီး နံပါတ်များသည် အစုအဝေးမပါဘဲ စစ်ဆေးရေးဂိတ်တစ်ခုတည်းမှ လာကြောင်း Mistral က မှတ်သားထားသည်။

အရွယ်အစားနှိုင်းယှဥ်မှုသည် ထူးခြားသောအပိုင်းဖြစ်သည်။ 28M မော်ဒယ်သည် GIFT-Eval နှင့် TIME တွင် လေးဆခန့်ပိုကြီးသော မော်ဒယ်ဖြစ်သည့် Chronos-2 ကို ကျော်ဖြတ်ကာ 209M မော်ဒယ်သည် TimesFM-3 နှင့် Falcon-2.0 ကို ကန့်သတ်ချက်များနည်းနည်းဖြင့် ယှဉ်ထားကြောင်း Mistral က ဖော်ပြသည်။ မိသားစုရှိ အရွယ်အစားတိုင်းသည် တိကျမှုနှင့် မော်ဒယ်အရွယ်အစား၏ Pareto ရှေ့တွင် တည်ရှိသည် — ဆိုလိုသည်မှာ အများသူငှာ မော်ဒယ်ခန့်မှန်းချက်သည် တူညီသော ကန့်သတ်ချက်အရေအတွက်တွင် ပိုကောင်းမည်မဟုတ်ဟု ဆိုသည်။

Enterprise Data Nobody Tweets About အတွက် တည်ဆောက်ထားသည်။

အချိန်စီးရီးများသည် ဆွဲဆောင်မှုမရှိသော်လည်း နေရာအနှံ့တွင်ရှိသည်- အာရုံခံတယ်လီမီတာ၊ စောင့်ကြည့်နိုင်မှုမက်ထရစ်များ၊ စွမ်းအင်ဝန်၊ ထောက်ပံ့ရေးကွင်းဆက်စီးဆင်းမှု၊ ငွေကြေးပမာဏ။ Mistral ၏ ငြင်းခုံချက်မှာ ဤနေရာတွင် foundation-model နည်းပညာများ မျှသာ မရောက်သေးပါ။ ARIMA ကဲ့သို့သော ဂန္တဝင်ကိရိယာများသည် သီးခြားစီးရီးတစ်ခုနှင့် အံဝင်ခွင်ကျဖြစ်ပြီး PatchTST ကဲ့သို့ နက်နဲသောသင်ယူမှုပုံစံများကို ပုံမှန်အားဖြင့် ဒေတာအတွဲတစ်ခုလျှင် အစမှ လေ့ကျင့်ထားသောကြောင့် ဒိုမိန်းအသစ်များသို့ မည်သည့်အရာမှ လွှဲပြောင်းပေးခြင်းမရှိပါ။

Timestral သည် အကြိုလေ့ကျင့်ရေး ပလေးစာအုပ်ကို ဘာသာစကားပုံစံများမှယူကာ ဂဏန်းအစီအစဥ်များနှင့် အသုံးချသည်။ ကြီးမားပြီး မတူကွဲပြားသော ကော်ပိုရိတ်တစ်ခုကို လေ့ကျင့်သင်ကြားထားပြီး၊ ၎င်းသည် တခါမှ မမြင်ဖူးသော ဒေတာများကို သုည-ရိုက်ချက်ဖြင့် ခန့်မှန်းပေးသည် — တံဆိပ်တပ်ထားသော သမိုင်းရှားပါးသည့် ဒိုမိန်းများ အပါအဝင်။

မော်ဒယ်များသည် အရေအတွက် 21 ခုတွင် ဖြစ်နိုင်ချေရှိသော၊ အမျိုးမျိုးသော ခန့်မှန်းချက်များကို ထုတ်လုပ်ပြီး ဘေးထွက်အချက်အလက် သုံးခုကို လက်ခံသည်- ယခင်သီးသန့် covariates၊ ထုတ်လုပ်မှုအချိန်ဇယား သို့မဟုတ် ရာသီဥတုခန့်မှန်းချက်များကဲ့သို့သော လူသိများသော အနာဂတ် covariates နှင့် စက်၏အခြေအနေ (လည်ပတ်နေခြင်း၊ ပျင်းရိနေခြင်း၊ ပြုပြင်ထိန်းသိမ်းမှုအောက်တွင်) ကဲ့သို့သော အမျိုးအစားခွဲခွဲခြားထားသော ကာဗာရီများ

CPU Economics

စီးပွားရေးအရ အထင်ရှားဆုံးအသေးစိတ်ဖြစ်နိုင်သည်- Timestral သည် လုံးလုံးလျားလျား GPU မလိုအပ်ပါ။ စာကြောင်း 8 ခုပါသော စံဆာဗာ CPU တွင် Mistral က 15 မိနစ်မှတ်တမ်း၏ သုံးပတ်အလိုမှ တစ်ရက်ကြိုတင်ခန့်မှန်းခြင်းသည် 5M မော်ဒယ်နှင့် 140 မီလီစက္ကန့်နှင့် 209M မော်ဒယ်နှင့်အတူ 10 မီလီစက္ကန့်ကြာသည်။ 123M ဗားရှင်းသည် ၎င်း၏ latency ၏ လေးပုံသုံးပုံတွင် flagship ရမှတ်၏ 0.2% အတွင်း ရရှိပါသည်။

၎င်းသည် ထောင်ပေါင်းများစွာသော အာရုံခံကိရိယာများ—စက်မှုစက်ရုံ၏ ရေယာဉ်စုတစ်ခုလုံး— GPU အစုအဝေးပရောဂျက်ထက် ပင်မဟာ့ဒ်ဝဲအဆိုပြုချက်ဖြစ်လာသည်။

ခေါင်းအုံးအောက်- နည်းပညာပိုင်းဆိုင်ရာ အလောင်းအစား လေးခု

Mistral သည် လာမည့်နည်းပညာဆိုင်ရာ အစီရင်ခံစာတွင် အသေးစိတ်ပြုလုပ်ရန် စီစဉ်ထားသည့် နည်းပညာများစွာအတွက် ရလဒ်များကို credit ပေးပါသည်။

  • Decoupled Horizon Forecasting (DHF)။ Toto 2.0 နှင့် TimesFM-3 ကဲ့သို့သော အကြောင်းရင်းခံ ဒီကုဒ်ဒါချဉ်းကပ်မှုများတွင်၊ ခန့်မှန်းရမည့်တန်ဖိုးများကို အကြောင်းအရာအဖြစ် ဖုံးကွယ်ထားပြီး ဆုံးရှုံးသွားပါသည်။ DHF သည် လေ့လာထားသော ခန့်မှန်းချက်တိုကင်များဖတ်နေစဉ် ဆက်တိုက်မှတ်တမ်းကို သိမ်းဆည်းထားသောကြောင့် လေ့လာတွေ့ရှိထားသည့်တန်ဖိုးတိုင်းသည် ပစ်မှတ်နှင့် အကြောင်းအရာနှစ်ခုလုံးအဖြစ် လုပ်ဆောင်ကြပြီး စစ်မှန်သောကွာဟချက်သည် ပျောက်ဆုံးနေသကဲ့သို့ ရှိနေမည်ဖြစ်သည်။
-Covariate-aware-aware focus. input series တစ်ခုစီအား ပစ်မှတ်၊ past-only covariate သို့မဟုတ် သိထားသော-future covariate — covariates မှ ပစ်မှတ်များသို့သာ စီးဆင်းနေသော အချက်အလက်များ ပါရှိသောကြောင့် အားလပ်ရက် ပြက္ခဒိန်သည် ပစ်မှတ်၏ အနာဂတ်ကို မပေါက်ကြားစေဘဲ ကြိုတင်ခန့်မှန်းချက်ကို အကြောင်းကြားနိုင်ပါသည်။
  • Synthetic-first data. လေ့ကျင့်ရေးဒေတာအများစုသည် ပေါင်းစပ်ဖွဲ့စည်းမှုဖြစ်သည်- ပေါင်းစပ်ခေတ်ရေစီးကြောင်းများ၊ ရာသီအလိုက် နှင့် ဆူညံသံများဖြင့် ပေါင်းစပ်ကာ ၎င်းတို့ကြားတွင် လိုင်းမဟုတ်သော မှီခိုမှုကို မိတ်ဆက်ပေးသော multivariate synthesizer ဖြင့် ပေါင်းစပ်ထားသည်။
  • အဆင့်နှစ်ဆင့် လေ့ကျင့်ရေး။ 8,192 context တွင် ပေါင်းစပ်ထားသော ဒေတာသက်သက်အတွက် အကြိုလေ့ကျင့်ခြင်း၊ ထို့နောက် CRPS ၏ သီးခြားအနီးစပ်ဆုံး ခန့်မှန်းချက်အဖြစ် ပင်ဘောဆုံးရှုံးမှု 21 quantiles ကျော်ကို အသုံးပြု၍ အစစ်အမှန်နှင့် ပေါင်းစပ်ဒေတာ 4x ပိုရှည်သော ဆက်စပ်မှုဖြင့် အစစ်အမှန်နှင့် ပေါင်းစပ်ထားသော ဒေတာပေါင်းစပ်မှုအပြီး လေ့ကျင့်ရေးနောက်ပိုင်း။

Open Weights၊ Air-Gapped Deployment

မိသားစုသည် 5M၊ 28M၊ 123M နှင့် 209M ဘောင်များကို အရွယ်အစား လေးမျိုးဖြင့် သင်္ဘောတင်သည် — အကြောင်းအရာ အရှည် 32,768 ဆင့်ရှိသည်။ Weights များကို မွမ်းမံထားသော MIT လိုင်စင်အောက်တွင် Hugging Face တွင် လွှင့်တင်ထားပြီး Mistral သည် မော်ဒယ်များကို သီးသန့်ဒေတာအသုံးပြုရန်အတွက် GitHub repository ကို ထုတ်ပြန်ခဲ့သည်။ နည်းပညာဆိုင်ရာ အစီရင်ခံစာ အပြည့်အစုံကို လိုက်နာရန် ကတိပြုပါသည်။

ပိုမိုလိုအပ်သော လုပ်ငန်းများအတွက် Timestral သည် ကုမ္ပဏီ၏ လေ့ကျင့်ရေးပိုက်လိုင်း၊ ကုမ္ပဏီ၏ လေ့ကျင့်ရေးပိုက်လိုင်း၊ ပိုင်နက်ဆိုင်ရာ ဒေတာများကို ကောင်းစွာချိန်ညှိခြင်း၊ ဒိုမိန်းအလိုက် ဗိသုကာဆိုင်ရာ တိုးချဲ့မှုများနှင့် လေ့ကျင့်ရေးပေါင်းစပ်မှုတို့ကို ထိန်းချုပ်ခြင်း—လေဝင်လေထွက်ရှိသော ပတ်ဝန်းကျင်များအပါအဝင် ဖောက်သည်ဟာ့ဒ်ဝဲပေါ်တွင် ဖြန့်ကျက်မှုဖြင့် အသုံးပြုနိုင်မည်ဖြစ်သည်။ Mistral သည် ပိုက်လိုင်းသည် backtesting လုပ်နေစဉ်အတွင်း မည်သည့်အရာမျှ မတွေ့ရကြောင်း အာမခံနိုင်သည်၊ ထိန်းညှိထားသော ဘဏ္ဍာရေးနှင့် စက်မှုဖောက်သည်များအတွက် ထင်ရှားသော အရေးဆိုမှုတစ်ခုဖြစ်သည်။

ကုမ္ပဏီသည် မော်ဒယ်များအတွက် အကျိုးရှိမည့် အနာဂတ်ကို ပုံကြမ်းရေးဆွဲသည်- Timestral ကြည့်ရှုသည့် အာရုံခံလမ်းကြောင်းများ၊ ပန့်ပေါ်တွင် ကွဲလွဲချက်တစ်ခုကို အလံပြခြင်း၊ ထို့နောက် အလားတူ သမိုင်းဝင်ချို့ယွင်းချက်များကို ပြန်လည်ရယူသည့် ဘာသာစကားမော်ဒယ် အေးဂျင့်ထံ ပေးအပ်ခြင်း၊ ပြုပြင်ထိန်းသိမ်းမှုမှတ်တမ်းများနှင့် ဆိုင်းမှတ်တမ်းများပေါ်တွင် အမြစ်အကြောင်းအရင်း ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ပြီး စက်ရုံမန်နေဂျာအတွက် ရောဂါရှာဖွေမှုတစ်ခု ရေးဆွဲခြင်း။

##ဘာကြောင့်အရေးကြီးတာလဲ။

ထုတ်ဝေမှုသည် အုတ်မြစ်မော်ဒယ်ပြိုင်ပွဲသည် ထရီလီယံ-ပါရာမီတာ LLM များအကြောင်းသာမဟုတ်ကြောင်း သတိပေးချက်တစ်ခုဖြစ်သည်။ ကြိုတင်ခန့်မှန်းခြင်းသည် စက်မှုလုပ်ငန်းတွင် ပမာဏအများဆုံး AI အလုပ်ဝန်များထဲမှတစ်ခုဖြစ်ပြီး CPU များပေါ်တွင်လည်ပတ်နေချိန်တွင် အများသူငှာစံနှုန်းများကို ဦး ဆောင်သည့် 209M-ပါရာမီတာပုံစံသည် ဘတ်ဂျက်အစစ်အမှန်များကို ပြောင်းလဲနိုင်သည်။ ပါရီအခြေစိုက်ဓာတ်ခွဲခန်းသည် ယူရို 21 ဘီလီယံတန်ဖိုးရှိ ယူရို 3 ဘီလီယံတန်ဖိုးရှိ မြှင့်တင်မှုအသစ်တစ်ခုဖြစ်သည့် အချုပ်အခြာအာဏာ၊ ထိရောက်မှုနှင့် ပရဝုဏ်အတွင်းဖြန့်ကျက်မှုတွင် ဥရောပ AI ကို နေရာချထားပေးသည့်အခါတွင် ၎င်းသည် Mistral ၏ အစုစုကို ဘာသာစကားမော်ဒယ်များထက် ကွဲပြားစေသည် — ဘောက်စ်အားလုံးကို Timestral ဒီဇိုင်းဖြင့် စစ်ဆေးသည်။

_ဤဆောင်းပါးသည် ၂၀၂၆ ခုနှစ် အောက်တိုဘာလ ၁၅ ရက်နေ့ထုတ် Mistral ၏ တရားဝင် Timestral ကြေညာချက်အပေါ် အခြေခံထားသည်။_

---

Stay Ahead of AI

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

Read more AI news →