Mistral 推出 Timestral：首個時間序列預測基礎模型家族，四種尺寸開放權重、CPU 上毫秒級預測

Mistral AI 於 2026 年 10 月 15 日在官網發布 Timestral，這是該公司第一個專門做時間序列（time-series）預測的基礎模型家族。Timestral 共四種尺寸：5M、28M、123M、209M 參數，四者共用同一套架構與訓練配方（以合成資料為主的預訓練，加上兩階段訓練）。模型採 Modified MIT 授權，權重已放上 Hugging Face 的 Timestral collection，推論程式碼在 GitHub 以 Apache 2.0 釋出，可以地端、VPC 或完全離線（air-gapped）部署；若要微調或客製，則透過 Mistral Forge 進行。

功能重點：零樣本、機率式、吃得下協變量

Timestral 的核心賣點是零樣本預測——不需要先拿用戶自己的歷史資料訓練，直接輸入序列就能預測。它可以同時處理一條或多條相關序列，輸出 21 個分位數（quantile），也就是給出「區間與機率」而非單一數字。協變量方面支援三類：

• 過去型協變量（隨目標序列一起記錄的歷史觀測值）
• 已知未來型協變量（官方舉例：促銷檔期、假日、價格）
• 類別型協變量（用來區分序列屬性的標籤）

上下文長度最長可達 32,768 個時間步，以 15 分鐘粒度記錄約可涵蓋 11 個月的資料。

速度與基準：CPU 上毫秒級，但數字是自報

官方在 8 執行緒的伺服器 CPU 上，用三週、15 分鐘粒度的歷史資料做一日前瞻預測：5M 模型約 10 毫秒，209M 模型約 140 毫秒。這意味著不需要 GPU 就能把預測嵌進既有系統。

基準方面需特別留意：以下皆為 Mistral 自報、尚待第三方驗證。官方稱 209M 在 GIFT-Eval、TIME、fev-bench 三大公開時序基準的「預訓練零樣本模型」中排名第一，而且是單一 checkpoint、不用 ensemble，以約三分之二的參數量超越前一代 SOTA；28M 版本則勝過 Amazon 的 Chronos-2。結果已提交 GIFT-Eval 與 TIME 排行榜，但完整技術報告尚未發布。

與競品比較及官方的保留態度

時間序列基礎模型並非新賽道，Amazon Chronos、Google TimesFM、Salesforce Moirai 都已布局；Mistral 的切入點是「小、快、開放、可離線」。值得肯定的是，官方同時承認三件事：

• 小模型較快，但準確度較低。
• 生產環境資料與基準資料不同，且會隨時間漂移。
• 因此實務上可能仍需微調，甚至重新訓練。

這些但書比排行榜名次更值得管理者記住。

對管理者的意義

需求預測、庫存補貨、營收與人流預估、能耗預測，過去多半得倚賴資料科學團隊建模。Timestral 這類開放權重的小模型，讓這些工作有機會在一般 CPU 上零樣本先跑出一版，再視誤差決定是否投入微調。對泰國的製造、零售與餐飲業者而言，可以先用自家一段歷史銷量加上促銷與假日日曆試算，比對實際結果，再判斷值不值得正式導入——記住基準名次是廠商自報，用自己的數據驗證才算數。