Mistral AI випустив Timestral, своє перше сімейство базових моделей часових рядів, і цей тихий випуск зараз отримав гучний другий акт: оголошення, опубліковане в блозі Mistral 15 жовтня, потрапило на першу сторінку Hacker News 19 жовтня, де воно зібрало сотні голосів «за». Подача є незвичною для епохи базових моделей — найсучасніше прогнозування на основі моделей від 5 до 209 мільйонів параметрів, які працюють на звичайних серверних процесорах.

Перший за всіма трьома основними тестами For more context on this story, see our ongoing more AI stories.

Компанія Mistral каже, що її найбільша модель Timestral із лише 209 млн параметрів займає перше місце за всіма трьома основними загальнодоступними тестами — GIFT-Eval, TIME і fev-bench — перевершуючи попередній рівень техніки приблизно на дві третини параметрів. Результати були надіслані до таблиць лідерів GIFT-Eval і TIME, і Mistral зазначає, що цифри отримано з однієї контрольної точки без групування.

Порівняння розмірів є вражаючою частиною. Mistral повідомляє, що модель 28M перевершує Chronos-2, модель приблизно в чотири рази більшу, за GIFT-Eval і TIME, тоді як модель 209M перемагає TimesFM-3 і Falcon-2.0 з меншою кількістю параметрів. Кожен розмір у сімействі, за словами компанії, сидить на фронті Парето щодо точності порівняно з розміром моделі, тобто жодна загальнодоступна модель не дає кращих прогнозів за тієї самої кількості параметрів.

Створено для корпоративних даних, про які ніхто не пише

Часові ряди непривабливі, але всюдисущі: телеметрія датчиків, показники спостережуваності, енергетичне навантаження, потоки в ланцюзі постачання, фінансові обсяги. Аргумент Mistral полягає в тому, що саме тут методи базової моделі ледве приземлилися. Класичні інструменти, такі як ARIMA, ізольовано підходять для однієї серії, а моделі глибокого навчання, такі як PatchTST, зазвичай навчаються з нуля для кожного набору даних, тому нічого не переноситься в нові домени.

Timestral бере підручник перед навчанням із мовних моделей і застосовує його до числових послідовностей. Навчений на великому, різноманітному корпусі, він прогнозує нульовий удар на даних, які він ніколи не бачив, включаючи домени, де позначена історія обмежена.

Моделі створюють імовірнісні багатовимірні прогнози по 21 квантилю та приймають три види побічної інформації: коваріати лише минулого, коваріати відомого майбутнього, такі як графіки виробництва чи прогнози погоди, і категоричні коваріати, як-от стан машини (працює, неактивний, на обслуговуванні), які були б спотворені, якщо їх закодувати як звичайні числа.

Економіка ЦП

Мабуть, найбільш комерційно значуща деталь: Timestral не потребує GPU для висновків. На стандартному серверному процесорі з 8 потоками, за словами Mistral, прогнозування на один день наперед із трьох тижнів 15-хвилинної історії займає 10 мілісекунд у моделі 5M і ​​140 мілісекунд у моделі 209M. Варіант 123M досягає 0,2% від показника флагмана при трьох чвертях його затримки.

Це робить безперервне прогнозування за тисячами датчиків — цілим парком промислового підприємства — основною апаратною пропозицією, а не проектом кластера GPU.

Під капотом: чотири технічні ставки

Mistral зараховує результати до кількох методів, які планує детально описати в майбутньому технічному звіті:

  • Прогнозування з розділеним горизонтом (DHF). У підходах причинного декодування, таких як Toto 2.0 і TimesFM-3, значення, які потрібно прогнозувати, маскуються та втрачаються як контекст. DHF зберігає повну історію в послідовності, у той час як вивчені маркери прогнозу зчитують її, тому кожне спостережене значення слугує і як ціль, і як контекст, а справжні прогалини залишаються позначеними як відсутні.
  • Увага з урахуванням коваріатів. Кожній серії вхідних даних призначається роль — ціль, коваріата лише минулого або коваріата відомого майбутнього — при цьому інформація надходить лише від коваріатів до цілей, тому календар свят може давати прогноз без витоку власного майбутнього цілі.
  • Перші синтетичні дані. Більшість навчальних даних були синтетичними: однофакторні процеси з узгодженими трендами, сезонністю та шумом, об’єднані багатофакторним синтезатором, який вводить нелінійні залежності між ними.
  • Двоетапне навчання. Попереднє навчання на суто синтетичних даних у контексті 8192, потім після навчання на поєднанні реальних і синтетичних даних із у 4 рази довшим контекстом, використовуючи втрату пінболу за 21 квантиль як дискретне наближення CRPS.

Відкриті ваги, розгортання з повітряним зазором

Сімейство поставляється в чотирьох розмірах — параметри 5M, 28M, 123M і 209M — із довжиною контексту 32 768 часових кроків. Ваги публікуються на Hugging Face за модифікованою ліцензією Массачусетського технологічного інституту, а Mistral випустив репозиторій GitHub для запуску моделей на приватних даних. Повний технічний звіт обіцяють надати згодом.

Для підприємств, яким потрібно більше, Timestral доступний через Mistral Forge, навчальний конвеєр компанії, який підтримує точне налаштування власних даних, доменно-спеціальні архітектурні розширення та контроль над навчальним комплексом — із розгортанням на апаратному забезпеченні клієнта, включаючи середовища з повітряним розривом. Mistral прямо стверджує, що конвеєр може гарантувати, що в даних перед навчанням не було нічого, що було помічено під час тестування, що є помітною претензією для регульованих фінансових і промислових клієнтів.

Компанія також малює агентське майбутнє для моделей: Timestral спостерігає за потоками датчиків, позначає аномалію на насосі, а потім передає агенту мовної моделі, який отримує подібні історичні збої, проводить аналіз першопричини записів технічного обслуговування та журналів змін і складає проект діагнозу для менеджера підприємства.

Чому це важливо

Цей випуск є нагадуванням про те, що гонка базових моделей стосується не лише LLM із трильйонами параметрів. Прогнозування є одним із наймасштабніших робочих навантажень штучного інтелекту в галузі, і модель із 209 млн параметрів, яка є лідером загальнодоступних тестів під час роботи на ЦП, може змінити реальні бюджети. Це також диверсифікує портфоліо Mistral за межі мовних моделей у той момент, коли паризька лабораторія, щойно отримала 3 мільярди євро при оцінці в 21 мільярд євро, позиціонує європейський штучний інтелект навколо суверенітету, ефективності та локального розгортання — все це перевіряє Timestral за проектом.

_Ця стаття заснована на офіційному повідомленні Mistral про Timestral від 15 жовтня 2026 року._

---

Stay Ahead of AI

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

Read more AI news →