Mistral发布时间序列基础模型Timestral，209M版本在三个公开基准排名第一

基准成绩与模型尺寸

Mistral表示，Timestral的 209M版本在三个基准上均排名第一，且模型参数规模约为此前最优结果的三分之二。官方称这些结果已提交至GIFT-Eval和TIME排行榜。

在GIFT-Eval的可比预训练零样本条目中，Timestral进入 83 个条目的前十，该指标越低越好；在TIME的 35 个排行榜条目中进入前十，两项指标均为越低越好；在fev-bench的 37 个条目中按SQL技能分数进入前十，该指标越高越好。

Mistral称每个尺寸都处于准确率与模型大小的帕累托前沿，即在该模型尺寸下没有公开模型预测效果更好。其中 28M版本在GIFT-Eval和TIME上超过约四倍大的Chronos-2；209M版本以更少参数超过TimesFM-3和Falcon-2.0。

• 四个尺寸：5M、28M、123M、209M参数，共享同一架构与训练配方。
• 推理无需GPU：8 线程CPU上，用三周 15 分钟历史预测未来一天，5M耗时 10 毫秒，209M耗时 140 毫秒。
• 官方称 28M比 209M快五倍；123M以约四分之三的延迟达到与 209M相差 0.2% 以内的分数。
• 上下文长度为 32,768 个时间步，输出为 21 个分位数的概率预测。

技术路线

Mistral称Timestral使用合成优先的训练数据：先用具有趋势、季节性和多种噪声模式的单变量过程，再通过多变量合成器引入非线性依赖，构造多变量序列。

训练分两阶段：先在纯合成数据上以 8192 上下文进行大规模预训练，再在真实与合成数据混合上以后训练扩展到四倍长的上下文；目标函数是覆盖 21 个分位数的pinball损失。

模型引入名为DHF（解耦预测步长）的机制，将完整历史保留在序列中，用可学习的预测token读取其前的历史，使每个观测值既是目标又是上下文；协变量感知注意力则给每条序列分配目标变量、仅过去协变量或已知未来协变量三种角色，信息只从协变量流向目标。

官方称训练数据中的大部分为合成数据，并强调在Mistral Forge中可完全控制训练数据，确保回测所用数据未在预训练中见过。技术报告尚未发布，以上细节来自Mistral的发布说明。

• 过去协变量与已知未来协变量可作为输入，已知未来协变量在整个窗口可见，目标保持因果性。
• 支持类别型协变量直接输入，例如星期、机器状态，无需编码为数值。
• 预测输出为 21 个分位数的概率分布，而非单一数值。

适用场景与可用方式

Mistral将时间序列描述为企业中最常见的数据类型之一，应用场景包括容量规划、能源、供应链、风险和运维维护。官方举出的工业示例是：工厂对数千个传感器进行多变量预测，利用设备振动、温度、压力之间的依赖关系，并结合生产计划、计划停机、天气预报等已知未来协变量。

Timestral定位为数值模型，可运行在现有监控管道中，也可与Mistral的语言模型组合用于多模态智能体工作流。

模型已通过GitHub仓库开放运行，采用修改版MIT许可。Mistral称可通过Mistral Forge进行微调、扩展领域特定协变量、调整训练数据配比，并支持本地、VPC或气隙环境部署。

以上性能、对比与部署数据均来自Mistral官方发布内容，未经过独立验证；Mistral表示完整技术报告将随后发布。

• 许可：修改版MIT。
• 部署方式：本地、VPC或气隙环境。
• 经Mistral Forge支持零样本推理、微调、架构扩展和训练数据控制。
• 工业示例中可与语言模型配合完成异常检测、相似故障检索和根因分析。