Mistral AI heeft Timestral uitgebracht, de eerste familie van tijdreeksbasismodellen, en de stille release krijgt nu een luidruchtig tweede bedrijf: de aankondiging, gepubliceerd op de blog van Mistral op 15 oktober, bereikte de voorpagina van Hacker News op 19 oktober, waar het honderden stemmen trok. De toonhoogte is ongebruikelijk voor het tijdperk van de basismodellen: state-of-the-art voorspellingen van modellen zo klein als 5 miljoen tot 209 miljoen parameters die op gewone server-CPU's draaien.

Eerste op alle drie de belangrijkste benchmarks Voor meer context over dit verhaal, zie ons AI-nieuws.

Mistral zegt dat zijn grootste Timestral-model, met slechts 209 miljoen parameters, op de eerste plaats staat in alle drie de belangrijkste openbare benchmarks op dit gebied – GIFT-Eval, TIME en fev-bench – en beter presteert dan de vorige stand van de techniek met ongeveer tweederde van de parameters. De resultaten werden ingediend bij de GIFT-Eval- en TIME-klassementen, en Mistral merkt op dat de cijfers afkomstig zijn van één enkel controlepunt zonder samenvoeging.

De groottevergelijkingen zijn het opvallende deel. Mistral meldt dat het 28M-model Chronos-2 verslaat, een model dat ongeveer vier keer groter is, op GIFT-Eval en TIME, terwijl het 209M-model TimesFM-3 en Falcon-2.0 verslaat met minder parameters. Elke maat in de familie, zegt het bedrijf, bevindt zich op het Pareto-front van nauwkeurigheid versus modelgrootte – wat betekent dat geen enkel openbaar model betere voorspellingen doet bij hetzelfde aantal parameters.

Gebouwd voor de bedrijfsgegevens waar niemand over tweet

Tijdreeksen zijn niet glamoureus maar alomtegenwoordig: sensortelemetrie, waarneembaarheidsstatistieken, energiebelasting, stromen in de toeleveringsketen, financiële volumes. Het argument van Mistral is dat dit is waar funderingsmodeltechnieken nauwelijks zijn beland. Klassieke tools zoals ARIMA passen afzonderlijk in een enkele serie, en deep learning-modellen zoals PatchTST worden doorgaans per dataset helemaal opnieuw getraind, zodat er niets wordt overgedragen naar nieuwe domeinen.

Timestral neemt het pre-trainingsspeelboek uit taalmodellen en past het toe op numerieke reeksen. Getraind op een groot, divers corpus, voorspelt het zero-shot op basis van gegevens die het nog nooit heeft gezien – inclusief domeinen waar het label geschiedenis schaars is.

De modellen produceren probabilistische, multivariate voorspellingen over 21 kwantielen en accepteren drie soorten neveninformatie: covariaten uit het verleden, covariaten uit het verleden, zoals productieschema's of weersvoorspellingen, en categorische covariaten zoals de toestand van een machine (in bedrijf, inactief, onder onderhoud) die vervormd zou zijn als deze als gewone cijfers zou worden gecodeerd.

CPU-economie

Misschien wel het commercieel meest belangrijke detail: Timestral heeft geen GPU nodig bij gevolgtrekking. Op een standaard server-CPU met 8 threads, zegt Mistral, duurt het voorspellen van een dag vooruit vanuit drie weken geschiedenis van 15 minuten 10 milliseconden met het 5M-model en 140 milliseconden met het 209M-model. De 123M-variant komt binnen 0,2% van de score van het vlaggenschip met driekwart van zijn latentie.

Dat maakt continue prognoses over duizenden sensoren – de hele vloot van een industriële fabriek – tot een mainstream hardwarevoorstel in plaats van een GPU-clusterproject.

Under the Hood: vier technische weddenschappen

Mistral schrijft de resultaten toe aan verschillende technieken die het in een aankomend technisch rapport wil beschrijven:

  • Ontkoppelde Horizon Forecasting (DHF). In causale decoderbenaderingen zoals Toto 2.0 en TimesFM-3 worden de te voorspellen waarden gemaskeerd en gaan ze verloren als context. DHF houdt de volledige geschiedenis in de reeks terwijl geleerde voorspellingstokens deze lezen, zodat elke waargenomen waarde zowel als doel als context dient, en echte hiaten als ontbrekend worden gemarkeerd.
  • Covariaatbewuste aandacht. Aan elke invoerreeks wordt een rol toegewezen: doel, covariaat alleen uit het verleden of covariaat met bekende toekomst, waarbij informatie alleen van covariaten naar doelen stroomt, zodat een vakantiekalender een voorspelling kan opleveren zonder de eigen toekomst van het doel te lekken.
  • Synthetische gegevens eerst. Het merendeel van de trainingsgegevens was synthetisch: univariate processen met coherente trends, seizoensinvloeden en ruis, gecombineerd door een multivariate synthesizer die niet-lineaire afhankelijkheden daartussen introduceert.
  • Training in twee fasen. Voortraining op puur synthetische gegevens in 8.192 context, daarna post-training op een mix van echte en synthetische gegevens met een 4x langere context, waarbij flipperverlies over 21 kwantielen wordt gebruikt als een discrete benadering van CRPS.

Open gewichten, inzet met luchtopening

De familie wordt verzonden in vier formaten – 5M, 28M, 123M en 209M parameters – met een contextlengte van 32.768 tijdstappen. Gewichten worden gepubliceerd op Hugging Face onder een aangepaste MIT-licentie, en Mistral heeft een GitHub-repository vrijgegeven voor het uitvoeren van de modellen op privégegevens. Er wordt beloofd dat een volledig technisch rapport zal volgen.

Voor ondernemingen die meer nodig hebben, is Timestral beschikbaar via Mistral Forge, de trainingspijplijn van het bedrijf, die de verfijning van bedrijfseigen gegevens, domeinspecifieke architecturale uitbreidingen en controle over de trainingsmix ondersteunt – met implementatie op hardware van de klant, inclusief air-gapped omgevingen. Mistral zegt expliciet dat de pijplijn kan garanderen dat er tijdens het backtesten niets te zien was in de pre-trainingsgegevens, een opmerkelijke claim voor gereguleerde financiële en industriële klanten.

Het bedrijf schetst ook een agentische toekomst voor de modellen: Timestral kijkt naar sensorstromen, signaleert een anomalie op een pomp en draagt ​​het vervolgens over aan een taalmodelagent die vergelijkbare historische fouten ophaalt, een analyse van de hoofdoorzaak uitvoert op onderhoudsrecords en ploegenlogboeken, en stelt een diagnose op voor de fabrieksmanager.

Waarom het ertoe doet

De release herinnert ons eraan dat de race naar het basismodel niet alleen gaat over LLM's met biljoen parameters. Voorspellen is een van de AI-workloads met het hoogste volume in de industrie, en een model met 209 miljoen parameters dat toonaangevend is in publieke benchmarks terwijl het op CPU's draait, zou echte budgetten kunnen verschuiven. Het diversifieert ook de portefeuille van Mistral buiten taalmodellen op een moment waarop het in Parijs gevestigde laboratorium, vers van een verhoging van € 3 miljard tegen een waardering van € 21 miljard, de Europese AI positioneert rond soevereiniteit, efficiëntie en implementatie op locatie – allemaal zaken die Timestral in zijn ontwerp controleert.

_Dit artikel is gebaseerd op de officiële Timestral-aankondiging van Mistral van 15 oktober 2026._

---

Blijf Voorop met AI

Het laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.

Lees meer AI-nieuws →