2026年10月15日，Mistral正式发布Timestral，这是其推出的首个时间序列基础模型（TSFM）家族。该系列最大模型仅含2.09亿参数，却在GIFT-Eval、TIME和fev-bench三大行业主流公开基准测试中均斩获第一，以三分之二的参数量超越了此前的最先进水平。
极致效率与精度平衡
Timestral家族包含500万、2800万、1.23亿和2.09亿参数四种尺寸，旨在预测精度与模型大小之间取得最佳平衡。所有模型共享相同架构，且在各自尺寸下均处于性能帕累托前沿，即没有公开模型能在同等规模下提供更优的预测效果。
在推理效率方面，Timestral无需GPU支持。在标准8线程服务器CPU上，基于三周每15分钟一次的历史数据预测未来一天，500万参数模型仅需10毫秒，2.09亿参数模型也仅需140毫秒。其中，2800万参数模型在GIFT-Eval和TIME基准上击败了参数量约为其四倍的Chronos-2；2.09亿参数模型则以更少参数优于TimesFM-3和Falcon-2.0。
技术突破与核心能力
Timestral支持概率性多变量预测，能够处理历史数据及已知未来协变量（如生产计划、天气预报）。其核心技术贡献包括：
- 解耦视界预测（DHF）：将完整历史保留在序列中，使每个观测值既作为目标也作为上下文，独立调整训练视界长度和缺失数据增强。
- 协变量感知注意力：区分目标变量、仅过去协变量和已知未来协变量，确保信息单向流动，避免未来数据泄露。
- 合成优先数据策略：大部分训练数据为合成数据，通过生成具有连贯动态的单变量过程并引入非线性依赖，构建高质量多变量序列。
- 两阶段训练：先在纯合成数据上进行大规模预训练，随后在真实与合成混合数据上进行后训练，上下文长度延长四倍。
从模型到智能体工作流
在工业场景中，Timestral可联合建模泵振动、温度等相关指标，利用变量间的依赖关系提升预测精度。其输出的概率分布分位数有助于团队量化不确定性，制定基于风险的维护计划。
此外，Timestral可与语言模型结合，构建多模态智能体工作流。例如，当模型检测到传感器异常时，智能体可嵌入信号并比对历史故障，结合维护记录、操作日志等上下文信息进行根本原因分析，最终生成包含证据和建议的诊断方案，而非仅发出警报。
领域适配与部署
针对生产数据分布随时间偏移的问题，Timestral可通过Mistral Forge管道进行领域适配。支持开箱即用的零样本推理、架构扩展以及在专有数据上的微调。用户可完全控制训练数据混合比例，确保回溯测试数据的独立性。整个管道支持本地、VPC或气隙隔离环境部署。
目前，Timestral的GitHub仓库已开放，技术报告即将发布。该模型采用修改版MIT许可证，上下文长度支持32,768个时间步，输出21个分位数的概率预测。