Mistral 釋出 Timestral
Mistral 在 2026 年 10 月 15 日 發布 Timestral：其第一個時序基礎模型（TSFM）家族。最大款僅約 209M 參數，官方寫道在領域三大公開基準 GIFT-Eval、TIME、fev-bench 上，於預訓練／零樣本可比模型中皆排名第一，並以約前一代 SOTA 三分之二的參數量超越舊紀錄。
Timestral 輸出機率式、多變量預測，支援僅過去／已知未來的協變量；家族共四檔尺寸，坐落準確率對模型大小的 Pareto 前線。結果已提交 GIFT-Eval 與 TIME 排行榜。
四尺寸都在 Pareto 線
四個檢查點共用架構與訓練配方：5M、28M、123M、209M。越大準確率越高，越小越快、更省；官方稱每一檔尺寸都沒有公開模型在同體量下預測得更好。
官方對照例子（皆來自部落格，非本文自測）：28M 在 GIFT-Eval 與 TIME 上勝過約大四倍的 Chronos-2；209M 以更少參數勝過 TimesFM-3 與 Falcon-2.0。基準數字來自單一檢查點、無集成。
| 模型 | HF 權重（fp32） | 官方定位 |
|---|---|---|
| Timestral-5M | 約 21 MB | 最快／最便宜 |
| Timestral-28M | 約 111 MB | 平衡；五倍快於 209M |
| Timestral-123M | 約 490 MB | 接近 209M 分數（差約 0.2%）、延遲約四分之三 |
| Timestral-209M | 約 837 MB | 基準第一檔 |
標準 CPU 就能推論
官方強調推論不必 GPU。在標準伺服器 CPU、8 執行緒上：以三週、15 分鐘粒度歷史預測一天，5M 約 10 ms、209M 約 140 ms。上下文最長約 32,768 個時間步。
對香港／台灣一人公司與中小企業，這代表補貨、感測器、金流這類序列，往往可先在一般主機／筆電 CPU 驗證，不必先租大模型 GPU。
協變量與 21 個分位數
模型一次對多變量聯合預測；輸入可含僅過去、已知未來與類別協變量（例如班表、假期）。輸出每個時間步 21 個分位數，方便看不確定性寬度、設告警門檻，而不是只盯一個點估計。
訓練面：合成預訓練、協變量感知注意力、長上下文學習；領域適配可走 Mistral Forge 微調。部署可 on-prem、VPC 或隔離環境。
補貨感測器與金流
官方工業例子：廠區上千感測器對照生產排程，抓設備漂移、規劃產能與備件。金融則預測流量、量能與波動，支援部位、避險與庫務。
一人公司可先這樣落地：
- 補貨／需求：用銷售或訂單序列零樣本試 28M／123M，再決定要不要 Forge 微調。
- 感測器／維運：有固定班表當「已知未來」協變量時，比純回顧歷史更貼營運。
- 金流／量能：用分位數區間設庫存或現金緩衝，而不是單點預測。
數字以你自己的序列驗證為準；排行榜只當方向。
權重下載與授權
程式庫 mistralai/timestral 為 Apache 2.0（需 PyTorch、NumPy、safetensors、huggingface_hub；可 CPU 或 GPU）。權重在 Hugging Face（mistralai/Timestral-5M … Timestral-209M），授權為 Modified MIT；文件見 Timestral 1.0。
下一步：到 官方介紹 對齊基準圖，再 pip install git+https://github.com/mistralai/timestral.git，用自家 CSV 先跑 5M／28M 看延遲與分位數寬度，再決定要不要上 209M 或 Forge。
