Mistral AI har släppt Timestral, sin första familj av tidsseriegrundmodeller, och den tysta versionen får nu en högljudd andra akt: tillkännagivandet, som publicerades på Mistrals blogg den 15 oktober, nådde framsidan av Hacker News den 19 oktober, där det drog hundratals uppröstningar. Tonhöjden är ovanlig för grundmodellens era - state-of-the-art prognoser från modeller så små som 5 miljoner till 209 miljoner parametrar som körs på vanliga server-CPU:er.

Först på alla tre stora benchmarks For more context on this story, see our ongoing breaking AI news.

Mistral säger att dess största Timestral-modell, med bara 209 miljoner parametrar, rankas först på alla tre av fältets huvudsakliga offentliga riktmärken - GIFT-Eval, TIME och fev-bench - och överträffar den tidigare senaste tekniken med ungefär två tredjedelar av parametrarna. Resultaten skickades till GIFT-Eval och TIME topplistor, och Mistral noterar att siffrorna kommer från en enda kontrollpunkt utan ensembling.

Storleksjämförelserna är den slående delen. Mistral rapporterar att 28M-modellen slår Chronos-2, en modell ungefär fyra gånger större, på GIFT-Eval och TIME, medan 209M-modellen slår TimesFM-3 och Falcon-2.0 med färre parametrar. Varje storlek i familjen, säger företaget, sitter på Pareto-fronten när det gäller noggrannhet kontra modellstorlek - vilket innebär att ingen offentlig modell förutsäger bättre vid samma parameterräkning.

Byggd för företagsdata som ingen twittrar om

Tidsserier är oglamorösa men allestädes närvarande: sensortelemetri, observerbarhetsmått, energibelastning, leveranskedjans flöden, finansiella volymer. Mistrals argument är att det är där foundation-modelltekniker knappt har landat. Klassiska verktyg som ARIMA passar en enda serie isolerat, och djupinlärningsmodeller som PatchTST tränas vanligtvis från början per datamängd, så ingenting överförs till nya domäner.

Timestral tar spelboken för förträning från språkmodeller och tillämpar den på numeriska sekvenser. Utbildad på en stor, mångsidig korpus, förutsäger den noll skott på data som den aldrig har sett - inklusive domäner där märkt historia är knapp.

Modellerna producerar probabilistiska, multivariata prognoser över 21 kvantiler och accepterar tre typer av sidoinformation: tidigare kovariater, kända framtida kovariater som produktionsscheman eller väderprognoser och kategoriska kovariater som en maskins tillstånd (kör, tomgång, under underhåll) som skulle förvrängas om de kodades som vanliga nummer.

CPU-ekonomi

Den kanske mest kommersiellt betydelsefulla detaljen: Timestral behöver ingen GPU vid slutledning. På en standardserver-CPU med 8 trådar, säger Mistral, att prognostisera en dag framåt från tre veckors 15-minutershistorik tar 10 millisekunder med 5M-modellen och 140 millisekunder med 209M-modellen. 123M-varianten kommer inom 0,2 % av flaggskeppets poäng vid tre fjärdedelar av dess latens.

Det gör kontinuerliga prognoser över tusentals sensorer – en industrianläggnings hela flotta – till en vanlig hårdvara snarare än ett GPU-klusterprojekt.

Under the Hood: Fyra tekniska satsningar

Mistral krediterar resultaten till flera tekniker som den planerar att detaljera i en kommande teknisk rapport:

  • Decoupled Horizon Forecasting (DHF). I kausala dekodermetoder som Toto 2.0 och TimesFM-3 maskeras värdena som ska prognostiseras och går förlorade som kontext. DHF behåller hela historiken i sekvensen medan inlärda prognostokens läser den, så varje observerat värde fungerar som både mål och sammanhang, och verkliga luckor förblir flaggade som saknade.
  • Kovariatmedveten uppmärksamhet. Varje ingångsserie tilldelas en roll - mål, endast tidigare kovariat eller känd framtida kovariat - med information som endast flödar från kovariater till mål, så en semesterkalender kan informera en prognos utan att läcka målets egen framtid.
  • Synthetic-first data. Majoriteten av träningsdata var syntetiska: univariata processer med koherenta trender, säsongsvariationer och brus, kombinerat av en multivariat synthesizer som introducerar olinjära beroenden mellan dem.
  • Träning i två steg. Förträning på rent syntetisk data vid 8 192 sammanhang, sedan efterträning på en blandning av verklig och syntetisk data med ett 4x längre sammanhang, med flipperförlust över 21 kvantiler som en diskret approximation av CRPS.

Öppna vikter, luftglapp

Familjen levereras i fyra storlekar – 5M, 28M, 123M och 209M parametrar – med en kontextlängd på 32 768 tidssteg. Vikter publiceras på Hugging Face under en modifierad MIT-licens, och Mistral har släppt ett GitHub-förråd för att köra modellerna på privata data. En fullständig teknisk rapport utlovas att följa.

För företag som behöver mer är Timestral tillgängligt via Mistral Forge, företagets utbildningspipeline, som stödjer finjustering av proprietära data, domänspecifika arkitektoniska tillägg och kontroll över utbildningsmixen – med implementering på kundhårdvara, inklusive luftglappade miljöer. Mistral säger uttryckligen att pipelinen kan garantera att ingenting som sågs under backtesting fanns i förträningsdata, ett anmärkningsvärt påstående för reglerade finans- och industrikunder.

Företaget skissar också på en agent framtid för modellerna: Timestral tittar på sensorströmmar, flaggar en anomali på en pump, lämnar sedan vidare till en språkmodellagent som hämtar liknande historiska fel, kör rotorsaksanalys över underhållsposter och skiftloggar, och utarbetar en diagnos för anläggningschefen.

Varför det är viktigt

Releasen är en påminnelse om att grundmodellloppet inte bara handlar om LLM:er med biljoner parametrar. Prognoser är en av de högsta volymerna för AI-arbetsbelastningar i industrin, och en modell med 209 miljoner parametrar som leder offentliga riktmärken medan den körs på CPU:er kan förskjuta verkliga budgetar. Det diversifierar också Mistrals portfölj bortom språkmodeller i ett ögonblick då det Paris-baserade labbet, färskt efter en höjning på 3 miljarder euro till en värdering av 21 miljarder euro, positionerar europeisk AI kring suveränitet, effektivitet och lokal utbyggnad – alla boxar som Timestral kontrollerar genom design.

_Denna artikel är baserad på Mistrals officiella Timestral-meddelande av den 15 oktober 2026._

---

Stay Ahead of AI

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

Read more AI news →