Mistral AI, ilk zaman serisi temel modelleri ailesi olan Timestral'ı piyasaya sürdü ve sessiz sürüm şimdi yüksek sesle ikinci perdeye çıkıyor: 15 Ekim'de Mistral'in blogunda yayınlanan duyuru, 19 Ekim'de Hacker News'in ön sayfasına ulaştı ve burada yüzlerce olumlu oy aldı. Temel model dönemi için alışılmışın dışında bir sunum; sıradan sunucu CPU'larında çalışan, 5 milyon ila 209 milyon parametre kadar küçük modellerden en son teknolojiye sahip tahminler.
Üç Ana Kriterde Birincilik For more context on this story, see our ongoing AI industry coverage.
Mistral, yalnızca 209 milyon parametreyle en büyük Timestral modelinin, alanın üç temel halka açık kriterinde (GIFT-Eval, TIME ve fev-bench) birinci sırada yer aldığını ve parametrelerin kabaca üçte ikisiyle önceki teknolojiden daha iyi performans gösterdiğini söylüyor. Sonuçlar GIFT-Eval ve TIME skor tablolarına sunuldu ve Mistral, sayıların bir araya getirilmeden tek bir kontrol noktasından geldiğini belirtiyor.
Boyut karşılaştırmaları dikkat çekici kısımdır. Mistral, 28M modelinin GIFT-Eval ve TIME'da yaklaşık dört kat daha büyük bir model olan Chronos-2'yi, 209M modelinin ise daha az parametreyle TimesFM-3 ve Falcon-2.0'ı geride bıraktığını bildirdi. Şirket, ailedeki her boyutun model boyutuna karşı doğruluk açısından Pareto cephesinde yer aldığını söylüyor; bu da hiçbir genel modelin aynı parametre sayısında daha iyi tahminler yapmadığı anlamına geliyor.
Kimsenin Tweetlemediği Kurumsal Veriler için Tasarlandı
Zaman serileri gösterişten uzak ama her yerde mevcut: sensör telemetrisi, gözlemlenebilirlik ölçümleri, enerji yükü, tedarik zinciri akışları, finansal hacimler. Mistral'ın iddiası temel model tekniklerinin henüz bu noktaya ulaşmadığı noktadır. ARIMA gibi klasik araçlar tek bir seriye ayrı ayrı sığar ve PatchTST gibi derin öğrenme modelleri genellikle veri kümesi başına sıfırdan eğitilir, dolayısıyla yeni alanlara hiçbir şey aktarılmaz.
Timestral, eğitim öncesi taktik kitabını dil modellerinden alır ve bunu sayısal dizilere uygular. Geniş ve çeşitli bir külliyat üzerinde eğitilmiş olup, etiketli geçmişin az olduğu alanlar da dahil olmak üzere, daha önce hiç görmediği veriler üzerinde sıfır atış öngörüsü yapar.
Modeller, 21 yüzdelik dilimde olasılıksal, çok değişkenli tahminler üretir ve üç tür yan bilgiyi kabul eder: yalnızca geçmişe ait ortak değişkenler, üretim programları veya hava durumu tahminleri gibi bilinen-gelecekteki ortak değişkenler ve düz sayılar olarak kodlandığında bozulabilecek bir makinenin durumu (çalışıyor, boşta, bakım altında) gibi kategorik ortak değişkenler.
CPU Ekonomisi
Belki de ticari açıdan en önemli detay: Timestral'ın çıkarımda GPU'ya ihtiyacı yok. Mistral, 8 iş parçacıklı standart bir sunucu CPU'sunda, üç haftalık 15 dakikalık geçmişten bir gün ileriyi tahmin etmenin 5M modeliyle 10 milisaniye ve 209M modeliyle 140 milisaniye sürdüğünü söylüyor. 123M varyantı, gecikme süresinin dörtte üçünde amiral gemisinin puanının %0,2'sine denk geliyor.
Bu, binlerce sensör (endüstriyel tesisin tüm filosu) üzerinden sürekli tahmin yapılmasını, bir GPU kümesi projesinden ziyade ana akım bir donanım teklifi haline getirir.
Kaputun Altında: Dört Teknik Bahis
Mistral, sonuçları yakında yayınlanacak bir teknik raporda detaylandırmayı planladığı çeşitli tekniklere borçludur:
- Ayırılmış Ufuk Tahmini (DHF). Toto 2.0 ve TimesFM-3 gibi nedensel kod çözücü yaklaşımlarında, tahmin edilecek değerler maskelenir ve bağlam olarak kaybolur. DHF, öğrenilen tahmin belirteçleri okurken tüm geçmişi sırayla tutar, böylece gözlemlenen her değer hem hedef hem de bağlam olarak hizmet eder ve gerçek boşluklar eksik olarak işaretlenir.
- Ortak değişken-farkında dikkat. Her girdi serisine, yalnızca ortak değişkenlerden hedeflere akan bilgilerin yer aldığı bir rol (hedef, yalnızca geçmişteki ortak değişken veya bilinen-gelecekteki ortak değişken) atanır; böylece bir tatil takvimi, hedefin kendi geleceğini sızdırmadan bir tahminde bulunabilir.
- Sentetik öncelikli veriler. Eğitim verilerinin çoğunluğu sentetikti: Tutarlı eğilimlere, mevsimselliğe ve gürültüye sahip tek değişkenli süreçler, aralarında doğrusal olmayan bağımlılıklar oluşturan çok değişkenli bir sentezleyici tarafından birleştirildi.
- İki aşamalı eğitim. 8.192 bağlamda tamamen sentetik veriler üzerinde ön eğitim, ardından CRPS'nin ayrı bir yaklaşımı olarak 21 yüzdelik dilimin üzerinde tilt kaybı kullanılarak 4 kat daha uzun bir bağlamda gerçek ve sentetik verilerin bir karışımı üzerinde eğitim sonrası eğitim.
Açık Ağırlıklar, Hava Boşluklu Dağıtım
Aile, 32.768 zaman adımı bağlam uzunluğuyla dört boyutta (5M, 28M, 123M ve 209M parametreleri) gönderilir. Ağırlıklar, değiştirilmiş bir MIT lisansı altında Hugging Face'te yayınlanıyor ve Mistral, modelleri özel veriler üzerinde çalıştırmak için bir GitHub deposu yayınladı. Tam bir teknik raporun takip edileceğine söz verildi.
Daha fazlasına ihtiyaç duyan kuruluşlar için Timestral, şirketin eğitim hattı olan Mistral Forge aracılığıyla edinilebilir; özel veriler üzerinde ince ayar yapılmasını, etki alanına özel mimari uzantıları ve eğitim karışımı üzerinde kontrolü destekler; hava boşluklu ortamlar da dahil olmak üzere müşteri donanımı üzerinde dağıtımla birlikte. Mistral açıkça, boru hattının, geriye dönük test sırasında görülen hiçbir şeyin eğitim öncesi verilerde bulunmadığını garanti edebileceğini söylüyor; bu, düzenlemeye tabi finans ve endüstriyel müşteriler için dikkate değer bir iddia.
Şirket aynı zamanda modeller için etkin bir geleceğin taslağını çiziyor: Timestral sensör akışlarını izliyor, bir pompadaki anormalliği işaretliyor, ardından benzer geçmiş arızaları alan, bakım kayıtları ve vardiya kayıtları üzerinde temel neden analizi yürüten ve tesis müdürü için bir teşhis taslağı hazırlayan bir dil modeli temsilcisine devrediyor.
Neden Önemlidir
Bu sürüm, temel model yarışının yalnızca trilyon parametreli LLM'lerle ilgili olmadığını hatırlatıyor. Tahmin, sektördeki en yüksek hacimli yapay zeka iş yüklerinden biridir ve CPU'lar üzerinde çalışırken genel karşılaştırmalara öncülük eden 209 milyon parametreli bir model, gerçek bütçeleri değiştirebilir. Ayrıca, Paris merkezli laboratuvarın, 21 milyar Euro'luk bir değerlemeyle 3 milyar Euro'luk bir artışla Avrupa yapay zekasını egemenlik, verimlilik ve şirket içi dağıtım etrafında konumlandırdığı bir anda Mistral'in portföyünü dil modellerinin ötesinde çeşitlendiriyor - Timestral'ın tasarım gereği tüm kontrolleri.
_Bu makale Mistral'in 15 Ekim 2026 tarihli resmi Timestral duyurusuna dayanmaktadır._
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
