Mistral 发布 Timestral：首个时间序列基础模型系列

Timestral 是什么？

2026 年 10 月 15 日，Mistral 发布了 Timestral，这是它第一个时间序列基础模型系列。时间序列就是按时间顺序记录的一串数字，比如每分钟的机器温度、每天的用电量。Timestral 能根据过去的数据预测未来，还能同时处理很多条相关的曲线。

官方原文说，Timestral 有四种大小：5M、28M、123M 和 209M 参数。参数可以理解成模型大脑里的“小开关”数量，开关越多通常越聪明，但也越慢。它最大的 209M 模型在三个公开预测比赛里都排第一，用的参数却只有之前第一名的大约三分之二。

它和普通预测方法有什么不同？

以前常用的 ARIMA 或线性回归，就像只盯着一根温度计来猜它下一步会怎么变。它们通常只学这一条曲线的历史，换一台机器就要重新学。深度学习模型 PatchTST 能同时看很多条曲线，但每换一个新数据集还是要从头训练，学到的经验带不走。

Timestral 属于时间序列基础模型，它先在很多很多不同种类的数据上“预习”，就像学生先读了很多课外书，再遇到新题目也能直接试着做。官方称它可以在没见过的数据上做零样本预测，也就是不用额外训练就能直接给出预测结果。

它在哪些比赛里表现好？

官方原文列出了三个主要公开基准：GIFT-Eval、TIME 和 fev-bench。Timestral 在预训练零样本模型里，五个指标都排第一。这些成绩来自同一个模型检查点，没有用多个模型拼在一起作弊。

在 GIFT-Eval 上，它比较的是 GMean MASE 和 GMean WQL，数值越低越好；在 TIME 上比较 GMean MASE 和 GMean CRPS，也是越低越好；在 fev-bench 上按 SQL 技能分排名，越高越好。官方说结果已经提交到 GIFT-Eval 和 TIME 的排行榜。

四种大小怎么选？

Timestral 有 5M、28M、123M 和 209M 四个版本，它们用同样的结构和训练方法。越大的模型预测越准，但跑起来越慢、越贵；越小的模型越快、越便宜。官方说每个大小都处在“准确率对模型大小”的最优前沿上，意思是同样大小里没有公开模型比它预测得更好。

具体速度方面，官方给出一个例子：在普通服务器 CPU 上用 8 个线程，根据三周每 15 分钟的历史数据预测未来一天，5M 模型只要 10 毫秒，209M 模型要 140 毫秒。28M 模型比 209M 快五倍，123M 模型只比 209M 差 0.2% 的分数，但延迟只有它的四分之三。它不需要 GPU 就能推理。

工厂里怎么用它？

官方举了一个工业工厂的例子：一个厂里有成千上万个传感器。Timestral 可以做多变量预测，因为泵的振动、温度和压力不是各走各的，一个升高常常会引起另一个变化，Timestral 会一起看这些相关曲线，而不是分开猜。

它还能做概率预测，不是只给一个数，而是给出一整套分位数，让团队看到不确定性有多宽，从而设置更合理的报警线。它也能直接处理分类协变量，比如星期几、机器状态是运行、空闲还是维修中，不会硬把它们当成数字排顺序。对于已知的未来信息，比如生产计划、计划停机、天气预报，它也能提前参考，让计划好的负荷增加不被当成异常。

它怎么和语言模型配合？

官方说 Timestral 是一个数值模型，可以放进现有的监控流程里，也可以和 Mistral 的语言模型搭配成多模态智能体工作流。在工厂里，Timestral 可以持续跑在传感器数据流上，发现异常。

当它发现某台泵异常时，一个智能体会把信号变成嵌入向量，和过去传感器数据的嵌入比较，找出历史上相似的故障。然后它启动子智能体做根因分析，参考维修记录、交接班日志、操作员笔记、设备手册、过去工单和相关设备读数，最后给工厂经理一份带证据和建议的诊断，而不只是一个警报。

技术上有哪些特别设计？

官方提到几个关键想法。第一是解耦预测视野，简称 DHF。以前的方法会把要预测的值遮住，结果这些值既不能当目标，也不能当后面预测的上下文。DHF 把历史完整保留，用学到的预测标记去读前面的历史，这样每个观察值既能当目标也能当上下文，真正的缺失值仍然标记为缺失。

第二是协变量感知注意力。每条输入曲线会被分配角色：目标变量、仅过去协变量或已知未来协变量。已知未来协变量在整个窗口都可见，目标变量保持因果性，信息只能从协变量流向目标。这样就能用节假日日历或天气预报，而不会把目标自己的未来泄露给预测。第三是合成数据优先，大部分训练数据是合成的，先造出有趋势、季节性和各种噪声的单变量过程，再用多变量合成器加入非线性依赖。训练分两阶段：先在纯合成数据上用 8192 上下文预训练，再在真实和合成混合数据上用四倍长上下文后训练，目标是 21 个分位数上的 pinball 损失。

谁适合关注它？

它适合需要做容量规划、能源、供应链、风险和维修预测的企业团队，也适合研究时间序列基础模型的人。因为不需要 GPU，普通服务器 CPU 就能跑，小团队也可以尝试。官方还提到可以通过 Mistral Forge 做领域适配微调，但原文没有说明具体开放方式和价格。

需要注意的是，公开基准测的是通用表现，生产数据可能很不一样，还会随时间变化，比如市场换周期、设备老化、需求改变。所以用之前最好用自己的数据验证，并关注官方后续是否公布开源方式、许可证和完整技术报告。