15 октября 2026 года Mistral в своём блоге представила Timestral, первые модели компании для прогноза временных рядов. Временной ряд это любой показатель, который записывают через равные промежутки: продажи по дням, нагрузка на сервер каждые 15 минут, расход электричества, цены, показания датчиков на заводе. Прогноз ряда значит предсказать, как этот показатель поведёт себя дальше, глядя на его прошлые значения. Это нужно тем, кто планирует мощности серверов, закупки и склад, энергетику, ремонт оборудования, финансы.
Главное для практики: Timestral работает на обычном процессоре, видеокарта не нужна. И модель не надо обучать на своих данных с нуля: ей можно сразу дать ряд, которого она раньше не видела, и получить прогноз.
Четыре размера: от совсем маленькой до 209 млн параметров
Моделей четыре, и отличаются они размером: 5, 28, 123 и 209 миллионов параметров. Для сравнения, обычные чат-модели в сотни и тысячи раз больше, так что даже старшая Timestral очень лёгкая. Устроены все одинаково и учились по одному рецепту. Чем крупнее модель, тем точнее прогноз, чем мельче, тем быстрее и дешевле её запускать.
По словам Mistral, старшая модель на 209 млн параметров заняла первые места на трёх главных открытых тестах для таких задач: GIFT-Eval, TIME и fev-bench. Сравнивали с моделями, которые прогнозируют без дообучения на конкретных данных. Прошлого лидера она обходит, будучи примерно на треть меньше. Модель на 28 млн параметров, по данным компании, точнее Chronos-2 от Amazon на GIFT-Eval и TIME, хотя та примерно вчетверо крупнее. Старшая обходит TimesFM-3 от Google и Falcon-2.0, имея меньше параметров. Результаты отправлены в публичные рейтинги GIFT-Eval и TIME.
10 мс на процессоре
Mistral приводит такой замер: обычный серверный процессор, 8 потоков, история за три недели с шагом 15 минут, прогноз на сутки вперёд. Младшая модель считает его за 10 мс, старшая за 140 мс. Модель на 28 млн работает в пять раз быстрее старшей. Модель на 123 млн почти не уступает старшей в точности (меньше 0,2%) и тратит три четверти её времени. На другом шаге ряда и другой длине истории время будет другим.
Что модель умеет
Timestral помнит длинную историю: до 32 768 точек. При шаге 15 минут это почти год.
Она выдаёт не одно число, а диапазон: насколько вероятно, что показатель окажется ниже или выше того или иного значения. Так видно, уверен ли прогноз. Пороги тревоги и запас на складе или по серверам удобнее ставить по такому диапазону, а не по единственной цифре.
Можно прогнозировать сразу несколько связанных показателей. В примере Mistral это вибрация, температура и давление насоса: они меняются не независимо, и модель это учитывает.
Можно подсказать модели внешние факторы. Одни известны только в прошлом, другие заранее: день недели, праздники, план производства, плановая остановка, прогноз погоды. Тогда запланированный рост нагрузки модель ждёт, а не принимает за аномалию. Состояние машины (работает, простаивает, на обслуживании) можно передать прямо списком вариантов, без перевода в числа.
Лицензия и где взять
На странице модели в документации старшая версия называется Timestral 1.0 209M, статус Public Preview, лицензия Modified MIT. Веса лежат на Hugging Face: mistralai/Timestral-209M, все размеры собраны в коллекции. Запустить модель на своих данных можно по инструкции из репозитория на GitHub.
По словам Mistral, версия на 209M первая среди предобученных zero-shot моделей сразу на трёх публичных бенчмарках: GIFT-Eval, TIME и fev-bench. Считают одним чекпоинтом, без ансамбля. На GIFT-Eval смотрят GMean MASE и GMean WQL, на TIME к MASE добавляют GMean CRPS. Там меньше лучше. На fev-bench берут SQL skill score, там больше лучше. Компания пишет, что 209M обходит прошлый лучший результат, имея около двух третей его числа параметров. Цифры отправили в таблицы лидеров GIFT-Eval и TIME.
5M, 28M, 123M и 209M
Четыре размера, одна архитектура, один рецепт обучения. Крупнее модель точнее. Мельче, быстрее и дешевле гонять. Mistral ставит каждую на границу точности и размера: при том же числе параметров более точного публичного прогноза, по их замерам, нет.
28M обходит Chronos-2 на GIFT-Eval и TIME. Chronos-2 при этом примерно в четыре раза крупнее. 209M обходит TimesFM-3 и Falcon-2.0 при меньшем числе параметров.
Контекст у семейства 32 768 шагов. На выходе не одна точка, а 21 квантиль, так что видно, насколько прогноз широкий. Порог и запас тогда ставят по полосе, а не по единственной цифре. На вход можно отдать несколько рядов сразу. Плюс дополнительные ряды, ковариаты: только из прошлого и те, что известны вперёд. День недели, состояние машины списком (работает, простой, обслуживание), план загрузки, остановка, прогноз погоды. Будущее самой цели в прогноз не подмешивается. У ряда явная роль: цель, прошлое или известное будущее.
10 мс и 140 мс на CPU
Видеокарта на инференсе не нужна. Замер Mistral такой: обычный серверный CPU, 8 потоков, три недели истории с шагом 15 минут, прогноз на сутки вперёд. 5M укладывается в 10 мс, 209M в 140 мс. 28M быстрее 209M в пять раз. 123M отстаёт от счёта 209M меньше чем на 0,2% и тратит три четверти её времени.
Цифры сняты на этом сценарии. Другой шаг ряда и другая длина истории дадут другое время. Публичные таблицы про общий zero-shot: прогноз по данным, которых в обучении не было. Свой контур Mistral отделяет сразу. Режим рынка, износ оборудования и спрос со временем уезжают. Доучивать предлагают в Mistral Forge, том же конвейере, что у языковых моделей. Можно оставить zero-shot, добавить свои ковариаты, дообучить на закрытых данных и собрать микс под домен, включая синтетику. Весь контур ставят на своё железо, в VPC или в изолированную сеть (air-gapped).
Timestral 1.0 209M в документации
На карточке в документации крупная модель называется Timestral 1.0 209M. Статус Public Preview, версия 1.0, лицензия Modified MIT. Веса этой версии лежат на Hugging Face: mistralai/Timestral-209M. Контекст на карточке тот же, 32K шагов. Семейство целиком Mistral ведёт в коллекцию и в репозиторий на GitHub, откуда ряд можно прогнать у себя.
Компаниям, у которых данные ведут себя иначе, чем в открытых тестах, Mistral предлагает дообучать Timestral в Mistral Forge, том же конвейере, где компания обучает свои языковые модели. Там можно добавить свои внешние факторы, дообучить модель на закрытых данных и сгенерировать похожие синтетические. Всё это ставится на собственные серверы, в том числе в сеть без выхода в интернет.
Как её обучали
Подробный технический отчёт Mistral обещает позже. Из анонса известно, что большая часть обучающих данных синтетическая: сначала сгенерировали простые ряды с трендами, сезонностью и разным шумом, потом связали их между собой. Обучали в два этапа: сначала только на синтетике, затем на смеси реальных и синтетических рядов с вчетверо более длинной историей. Отдельно модель следит, чтобы внешние факторы влияли на прогноз, а будущее самого показателя в расчёт не попадало.
Timestral не замена чат-модели, это инструмент для чисел. Если у вас копятся метрики сервера, продажи или показания датчиков и нужно понимать, что будет завтра, проще всего взять готовую модель из репозитория и прогнать её на куске своей истории. Если прогноз не устроит, дальше уже дообучение на своих данных.
