Mistral发布了Timestral，这是其首个时间序列基础模型系列，面向传感器、运营指标等连续数据的预测。模型有500万至2.09亿参数四种规格，可联合预测多个相关序列，并输出概率分位数，而非只给出单一数值。
Timestral的基准成绩与部署取舍
Mistral表示，209M版本在GIFT-Eval、TIME和fev-bench等公开基准上取得领先表现，且结果来自单一模型检查点、没有集成多个模型。公司还称，较小规格在精度与模型规模之间提供不同取舍；Timestral可在CPU上运行，报告给出的推理延迟取决于模型尺寸和测试设置。这些结果目前主要是厂商披露，部分已提交排行榜，独立复现和更多细节仍值得关注。
协变量与行业适配仍是关键
模型支持历史协变量和已知未来协变量，例如设备状态、生产计划或天气预报，帮助预测结合相关背景信息。其预训练大量使用合成数据，之后再以真实与合成数据混合训练；Mistral也提供通过Forge进行领域微调的途径。对企业而言，零样本能力可能降低冷启动门槛，但公开基准并不能保证在特定设备、市场或数据漂移条件下同样准确。
实际价值将取决于企业数据上的回测、模型随时间变化的稳定性，以及概率区间能否改善决策，而不只是提升排行榜分数。Mistral称已发布代码仓库供用户运行Timestral，并计划随后提供技术报告；报告中的完整实验方法与独立评测，将有助于判断其相对既有预测方法的优势边界。