Mistral 发布了首个时间序列基础模型家族 Timestral，提供 5M、28M、123M 和 209M 四种参数规模，支持概率化、多变量预测。发布方称，最大的 209M 模型在三项公开预测基准中领先，且推理无需 GPU，为时间序列预测提供了兼顾模型体积与运行速度的选择。
据 Mistral 自测，Timestral 在 GIFT-Eval、TIME 和 fev-bench 三项基准中，在预训练、零样本模型范围内的全部五项指标上排名第一。结果来自单个检查点，未使用模型集成；相关结果已提交至 GIFT-Eval 和 TIME 排行榜。
Mistral 称，209M 模型的参数量约为此前最佳模型的三分之二，并以更少参数超过 TimesFM-3 和 Falcon-2.0。较小的 28M 模型则在 GIFT-Eval 和 TIME 上超过参数量约为其四倍的 Chronos-2。
推理速度方面，Mistral 给出的测试条件是：使用 8 线程标准服务器 CPU，根据三周、每 15 分钟一个数据点的历史记录，预测未来一天。在这一条件下，5M 模型耗时约 10 毫秒，209M 模型约 140 毫秒。
Timestral 可以联合建模多条相关序列，例如设备的振动、温度与压力，并输出 21 个分位数的概率预测，让使用者看到预测的不确定性范围。
模型支持仅历史协变量和已知未来协变量，也能直接接收类别型输入，例如星期几或机器运行状态。生产排程、计划停机及天气预报等已知未来信息，可以作为预测条件。其协变量感知注意力机制允许已知未来协变量在整个窗口内可见，同时保持预测目标的因果约束，避免将目标自身的未来值泄漏到预测中。
据 Mistral 介绍，四种规模采用相同架构与训练方案：先在纯合成数据上以 8192 个时间步的上下文进行预训练，再用真实与合成数据的混合数据开展后训练，上下文扩展至 32,768 个时间步。训练目标采用覆盖 21 个分位数的 pinball loss。
Mistral 已发布 GitHub 仓库 mistralai/timestral，供用户在自有数据上运行模型，许可证为 Modified MIT。完整技术报告将随后发布。
企业还可通过 Mistral Forge 在专有数据上微调模型，或进行加入领域专用协变量等架构扩展。Mistral 表示，完整流水线可部署在客户硬件上，包括物理隔离环境。
