Mistral AI 10 月 15 日發表 Timestral，這是該公司首個專為時間序列資料設計的基礎模型家族。相較於處理一般文字的語言模型，Timestral 針對感測器讀數、設備監測、能源需求、供應鏈及財務數據等依時間變化的資料，提供多變數與機率式預測，並可納入僅在過去已知或未來已知的外部條件。
模型分為 500 萬、2,800 萬、1.23 億及 2.09 億參數四種版本，共用架構與訓練方法。官方表示，在 GIFT-Eval、TIME 與 fev-bench 三項公開評測中，最大模型在所比較的預訓練零樣本模型上取得領先表現，並以較少參數勝過部分更大型模型；這些屬於特定基準的結果，不能直接視為所有企業資料都能達到同樣準確率。
Timestral 不要求 GPU 才能推論。Mistral 提供的測試條件為使用八執行緒伺服器 CPU、輸入三週每 15 分鐘一筆的歷史資料並預測未來一天；500 萬參數版約需 10 毫秒，2.09 億參數版約需 140 毫秒。2,800 萬參數版速度約為最大版五倍，1.23 億參數版在官方評測中與最大版相差約 0.2%，延遲約為其四分之三。
技術上，Timestral 使用 Decoupled Horizon Forecasting、可區分不同變數角色的注意力機制，以及以合成資料為主的兩階段訓練。模型先以長度 8,192 的合成時間序列預訓練，再使用混合真實與合成資料進行更長上下文訓練；官方規格列出 32,768 個時間步長的上下文、21 個分位數預測輸出與 Modified MIT 授權。
企業可在既有監控管線中使用 Timestral，或透過 Mistral Forge 針對特定領域微調，並部署於自有硬體、私有雲或隔離網路環境。Mistral 已公開程式碼儲存庫，但完整技術報告仍待發布，跨產業的實際部署效果也需要另外驗證。
發生了什麼事
Mistral 推出四種參數規模的 Timestral 時序預測模型，重點在 CPU 推論、多變數輸入與機率式預測。
為什麼重要
時間序列分析常用於工廠維護、負載預測與風險管理；模型若能跨資料集零樣本預測，可降低每項任務從頭訓練的成本。
影響哪些人
設備維護團隊、能源與物流業者、金融分析人員，以及需要自行部署數值預測服務的開發者，都可能評估這套模型。
已確認與未確認
官方公布參數、推論延遲、基準成績及授權，但尚未公開完整技術報告；公開評測不等於各企業現場資料的保證成績。
