Mistral 推出 Timestral：首个时间序列预测基础模型家族，四种尺寸开放权重、CPU 上毫秒级预测

Mistral AI 于 2026 年 10 月 15 日在官网发布 Timestral，这是该公司第一个专门做时间序列（time-series）预测的基础模型家族。Timestral 共四种尺寸：5M、28M、123M、209M 参数，四者共用同一套架构与训练配方（以合成数据为主的预训练，加上两阶段训练）。模型采用 Modified MIT 许可，权重已上传 Hugging Face 的 Timestral collection，推理代码在 GitHub 以 Apache 2.0 开源，可以本地、VPC 或完全离线（air-gapped）部署；若要微调或定制，则通过 Mistral Forge 进行。

功能重点：零样本、概率式、支持协变量

Timestral 的核心卖点是零样本预测——不需要先用用户自己的历史数据训练，直接输入序列就能预测。它可以同时处理一条或多条相关序列，输出 21 个分位数（quantile），也就是给出“区间与概率”而非单一数字。协变量方面支持三类：

• 过去型协变量（随目标序列一起记录的历史观测值）
• 已知未来型协变量（官方举例：促销档期、假日、价格）
• 类别型协变量（用来区分序列属性的标签）

上下文长度最长可达 32,768 个时间步，以 15 分钟粒度记录约可覆盖 11 个月的数据。

速度与基准：CPU 上毫秒级，但数字是自报

官方在 8 线程的服务器 CPU 上，用三周、15 分钟粒度的历史数据做一日前瞻预测：5M 模型约 10 毫秒，209M 模型约 140 毫秒。这意味着不需要 GPU 就能把预测嵌进既有系统。

基准方面需特别留意：以下皆为 Mistral 自报、尚待第三方验证。官方称 209M 在 GIFT-Eval、TIME、fev-bench 三大公开时序基准的“预训练零样本模型”中排名第一，而且是单一 checkpoint、不用 ensemble，以约三分之二的参数量超越前一代 SOTA；28M 版本则胜过 Amazon 的 Chronos-2。结果已提交 GIFT-Eval 与 TIME 排行榜，但完整技术报告尚未发布。

与竞品比较及官方的保留态度

时间序列基础模型并非新赛道，Amazon Chronos、Google TimesFM、Salesforce Moirai 都已布局；Mistral 的切入点是“小、快、开放、可离线”。值得肯定的是，官方同时承认三件事：

• 小模型较快，但准确度较低。
• 生产环境数据与基准数据不同，且会随时间漂移。
• 因此实际应用中可能仍需微调，甚至重新训练。

这些但书比排行榜名次更值得管理者记住。

对管理者的意义

需求预测、库存补货、营收与人流预估、能耗预测，过去多半得依赖数据科学团队建模。Timestral 这类开放权重的小模型，让这些工作有机会在一般 CPU 上零样本先跑出一版，再视误差决定是否投入微调。对泰国的制造、零售与餐饮企业而言，可以先用自家一段历史销量加上促销与假日日历试算，比对实际结果，再判断值不值得正式导入——记住基准名次是厂商自报，用自己的数据验证才算数。