15 октября 2026 года Mistral выпустила Timestral — первое семейство базовых моделей для временных рядов (time-series foundation models, TSFM). Это не чат-модель вроде Mistral Large: Timestral принимает историю датчиков, продаж или метрик и отдаёт вероятностный прогноз сразу по нескольким рядам. По данным компании, веса открыты под лицензией Modified MIT, а инференс заявлен и на обычном CPU.
Ниже разберём, чем Timestral отличается от классических ARIMA и от «обучить нейросеть с нуля на своём датасете», какие размеры есть, что говорят бенчмарки, как поставить модель локально и для каких задач её имеет смысл пробовать.
Что такое Timestral 1.0
Timestral 1.0 — семейство из четырёх моделей: 5M, 28M, 123M и 209M параметров. В документации Mistral модель фигурирует как timestral-1-0, в каталоге отдельно перечислены варианты 5M / 28M / 123M / 209M.
Идея foundation-модели для рядов такая же, как у больших языковых моделей: сначала долгое предобучение на большом и разнообразном корпусе (у Timestral, по словам Mistral, большая часть — синтетика), потом zero-shot прогноз на рядах, которые модель раньше не видела. Классические методы вроде ARIMA обычно подгоняются под один ряд. Специализированные нейросети вроде PatchTST часто учат с нуля на каждом наборе данных. Timestral как раз пытается перенести уже выученные паттерны на новый домен без полного переобучения.
Что модель принимает и что отдаёт
По анонсу Mistral и карточкам на Hugging Face:
- Контекст — до 32 768 шагов истории (анонс и docs).
- Горизонт — до 1 024 шагов за один проход; более длинный горизонт считают блоками, добавляя медиану блока в контекст (карточка Timestral-209M на Hugging Face).
- Выход — 21 квантиль (от 0,01 до 0,99), то есть не одна линия «завтра будет 100», а распределение неопределённости.
- Входы — один или несколько целевых рядов (мультивариантный прогноз), плюс ковариаты только из прошлого и известные наперёд (график производства, праздники, прогноз погоды). Числовые и категориальные признаки поддерживаются; пропуски помечают как NaN.
Это важно для практики: если вы заранее знаете плановую нагрузку или день недели, модель может учесть это как known-future ковариату, а не удивляться скачку как аномалии.
Размеры семейства: что выбрать
Все четыре размера делят одну архитектуру. По анонсу Mistral, на каждом размере семейство лежит на «Парето-фронте» точности против размера: публичная модель того же размера не бьёт их по заявленным метрикам. Формулировка вендорская — проверяйте на своих рядах.
| Модель | Параметры | Веса fp32 (Hub) | Зачем обычно берут |
|---|---|---|---|
| Timestral-5M | 5M | 21 МБ | Самый быстрый CPU-проход |
| Timestral-28M | 28M | 111 МБ | Компромисс скорость / качество |
| Timestral-123M | 123M | 490 МБ | Близко к топу при меньшей задержке |
| Timestral-209M | 209M | 837 МБ | Максимальная заявленная точность семейства |
В анонсе Mistral приводит пример на серверном CPU с 8 потоками: прогноз на один день вперёд по трём неделям истории с шагом 15 минут занимает 10 мс у 5M и 140 мс у 209M. Модель 28M, по словам компании, примерно в пять раз быстрее 209M; 123M почти догоняет score 209M при примерно трёх четвертях её задержки. Это заявленные цифры разработчика, не наш замер.
Для сравнения: чат-модели семейства Mistral вроде Large 4 считаются на совсем другом железе и под другие задачи. Если вам нужен текст и агенты, смотрите материалы про Mistral Large 4 на этом сайте отдельно и не смешивайте их с Timestral — ту статью мы не меняем.
Бенчмарки: цифры только из официальной карточки
Mistral пишет, что среди предобученных zero-shot моделей Timestral занимает первое место на GIFT-Eval, TIME и fev-bench, причём с одного checkpoint и без ансамбля. Точные числа в HTML анонса идут в основном графиками; ниже — значения из карточки Timestral-209M на Hugging Face (публикация Mistral).
| Бенчмарк | Метрика | Timestral-209M | Chronos-2 | TimesFM-3 |
|---|---|---|---|---|
| GIFT-Eval | MASE ↓ | 0,658 | 0,698 | 0,667 |
| GIFT-Eval | CRPS ↓ | 0,446 | 0,485 | 0,456 |
| TIME | MASE ↓ | 0,626 | 0,662 | 0,640 |
| TIME | CRPS ↓ | 0,522 | 0,556 | 0,536 |
| fev-bench | SQL skill ↑ | 50,39 | 47,28 | 48,99 |
На fev-bench у 209M также указан MASE skill 39,49. В полной таблице карточки есть ещё t0-gamma и Toto-2.0-2.5B — при необходимости сверяйте оригинал на Hugging Face.
Как читать это спокойно: публичные лидерборды полезны как ориентир, но ваш шаг дискретизации, сезонность, доля пропусков и природа ковариат могут дать другую картину. Без теста на своих рядах нельзя обещать «лучшую модель для склада» или «для энергосбыта».
Для каких задач пробовать Timestral
Ниже — сценарии применения, собранные из того, как Mistral описывает индустриальный пример, и из типичных задач прогнозирования рядов. Цифр «модель снизила ошибку на N%» у нас нет — таких результатов мы не публикуем.
Спрос и продажи
История продаж по SKU, дни недели, промо и календарь праздников как known-future ковариаты. Вероятностный выход помогает планировать запас не по одной точке, а по квантилям риска (например, смотреть верхний хвост перед пиком).
Нагрузка в энергетике и на производстве
Потребление, график смен, плановые остановки, погодный прогноз. В анонсе Mistral отдельно подчёркивает мультивариантный прогноз связанных датчиков (вибрация, температура, давление) и категориальные состояния оборудования (работает / простой / ремонт).
Метрики серверов и наблюдаемость
CPU, очередь, число запросов, ошибки — ряды, где важен широкий контекст и быстрый проход на CPU рядом с уже существующим пайплайном мониторинга. Timestral можно встроить как численный блок, а разбор инцидента отдать языковой модели или агенту — так Mistral описывает связку «модель рядов + LLM» на заводе.
Когда лучше не начинать с Timestral
- Нужен диалог, код или документы — это зона чат-моделей и API, не TSFM.
- Ряд короткий, а ковариат нет: иногда хватит простой сезонности или регрессии.
- Нужна жёсткая регуляторная сертификация модели — смотрите юридические условия Modified MIT и внутренние политики, а не маркетинговый текст.
Как запустить локально
Веса лежат в коллекции Hugging Face mistralai/timestral (Timestral-5M … Timestral-209M). Код инференса — в репозитории mistralai/timestral: лицензия кода Apache 2.0, весов — Modified MIT.
- Поставьте окружение: Python ≥ 3.10, PyTorch ≥ 2.4.
- Установите пакет:
pip install git+https://github.com/mistralai/timestral.git(или клон +uv sync, как в README). - Загрузите нужный checkpoint через
TimestralForecaster.from_pretrained("mistralai/Timestral-209M")(или меньший размер). - Передайте историю как массив NumPy/torch формы
(серии, переменные, время)или упрощённые варианты; пропуски — NaN. - Вызовите
forecast(..., prediction_length=...)и читайтеmedian/ нужные квантили.
Минимальный пример (синтетика из официального README — не боевой датасет):
`python import numpy as np from timestral import TimestralForecaster
forecaster = TimestralForecaster.from_pretrained(«mistralai/Timestral-209M») context = np.random.randn(2, 1, 2000).cumsum(-1) forecast = forecaster.forecast(context, prediction_length=96) median = forecast.median q10, q90 = forecast.quantile(0.1), forecast.quantile(0.9) `
Если вы уже сравнивали локальный запуск открытых весов Mistral для текста, логика похожа по инфраструктуре (GPU не обязателен для маленьких чекпоинтов, но для 209M удобнее иметь запас по RAM). Подробнее про локальный контур мы писали в материалах про open-weights Mistral и про запуск Mistral Medium 3.5 локально. Для сравнения с другим стеком локальных весов полезен разбор как запустить Qwen через Ollama и LM Studio.
Дообучение через Mistral Forge и цена API
Для домена, который сильно отличается от публичных бенчмарков, Mistral предлагает путь Mistral Forge: zero-shot как старт, расширение архитектуры под свои ковариаты, fine-tuning на закрытых данных, контроль состава обучения и развёртывание, в том числе в air-gapped среде. Это описание из анонса; отдельных публичных цен Forge именно для Timestral на момент проверки официально не заявлено.
Отдельный hosted chat/token API с прайсом за токены для Timestral на странице pricing Mistral тоже не найден — в отличие от привычных LLM-эндпоинтов. На карточке Hugging Face для 209M указано, что модель пока не развёрнута через Inference Providers. Практический путь на день анонса: self-host весов или корпоративный контур через Forge. Если вы привыкли к облачным ключам для чат-API, схема другая; общий вводный тон про ключи и первые запросы можно сверить с гайдом по ChatGPT API для начинающих — но сам Timestral туда один в один не копируется. Первые шаги с документами и API у экосистемы Mistral мы разбирали отдельно: Mistral для документов и первого API-вызова.
Ограничения и что пока неизвестно
- Технический отчёт с полным разбором методов в анонсе обещан позже («will follow») — на 15.10.2026 отдельной страницы отчёта в материалах анонса ещё нет.
- Все цифры качества и latency — из материалов Mistral / карточки HF, без нашего независимого прогона.
- Цена публичного hosted API Timestral официально не заявлена.
- Доступность оплаты и сервисов из России на этих страницах не описана.
- Timestral не заменяет чат, OCR или код-модели Mistral: это узкий численный прогноз рядов.
FAQ
Timestral — это чат, как Le Chat или Large 4?
Нет. Timestral — модель для временных рядов. Она не ведёт диалог и не пишет код. Для текста смотрите языковые модели Mistral; для рядов — Timestral.
Нужен ли GPU?
По анонсу Mistral, для инференса GPU не обязателен: приведён пример на CPU с 8 потоками (10 мс / 140 мс в описанном сценарии). На Hugging Face указан PyTorch на CPU или GPU. Для обучения/Forge требования другие и в публичном прайсе не расписаны.
Можно ли прогнозировать несколько датчиков сразу?
Да, заявлена мультивариантная постановка: связанные ряды считаются совместно, а не только «каждый сенсор сам по себе».
Где взять веса и код?
Веса — Hugging Face (mistralai/Timestral-*), код — GitHub mistralai/timestral, лицензии Modified MIT (веса) и Apache 2.0 (код).
Есть ли цена за API «как у чата»?
На официальных страницах news, model docs и pricing на 15.10.2026 отдельный тариф Timestral официально не заявлен. Рабочий путь — локальные веса или Forge.
Короткий вывод
Timestral 1.0 — открытое семейство TSFM от Mistral для zero-shot вероятностного прогноза рядов: до 32 768 шагов контекста, до 1 024 шагов горизонта за проход, 21 квантиль, ковариаты из прошлого и известные наперёд. Если вам нужен именно прогноз продаж, нагрузки или метрик, а не чат, это прямой кандидат на пилот на своих данных — с оглядкой на то, что цена hosted API пока не опубликована, а цифры бенчмарков нужно перепроверить на вашем домене.
