Mistral lancia Timestral, una nuova famiglia di modelli per le previsioni delle serie temporali
Il laboratorio di AI francese afferma che il suo modello più grande supera tutti i principali benchmark funzionando su una CPU standard.
Mistral ha presentato Timestral, la sua prima famiglia di modelli fondazionali per le serie temporali, progettati per prevedere valori futuri a partire da sequenze di dati passati come letture di sensori, consumo energetico o flussi finanziari.
Una serie temporale è semplicemente un elenco di numeri raccolti in ordine nel tempo. Prevedere significa usare quella cronologia — e a volte informazioni esterne — per prevedere cosa accadrà dopo.
What you could do with it
- Un impianto industriale può monitorare continuamente migliaia di sensori e prevedere quando una macchina come una pompa avrà bisogno di manutenzione prima di guastarsi 1.
- Un'azienda energetica potrebbe pianificare la propria capacità con previsioni che girano su una CPU standard, senza bisogno di una GPU dedicata 1.
- I team finanziari possono modellare i flussi di cassa e la volatilità su migliaia di conti per orientare le decisioni di copertura e tesoreria 1.
Il modello Timestral più grande ha solo 209 milioni di parametri 1. Un parametro è un numero che il modello regola durante l'addestramento per imparare i modelli. Nonostante le dimensioni ridotte, Mistral afferma che si classifica al primo posto in tutti e tre i principali benchmark pubblici per le previsioni: GIFT-Eval, TIME e fev-bench, battendo i modelli migliori precedenti usando solo circa due terzi dei parametri.
La famiglia include quattro dimensioni — 5 milioni, 28 milioni, 123 milioni e 209 milioni — così gli utenti possono scegliere tra velocità e accuratezza. Il modello 5M richiede solo 10 millisecondi per prevedere un giorno in anticipo partendo da tre settimane di dati di sensori ogni 15 minuti su una CPU standard, mentre la versione 209M impiega 140 millisecondi 1. Nessuno di essi richiede una GPU, il chip grafico specializzato su cui si basano molti modelli di AI.
Mistral ha addestrato Timestral su un grande insieme di dati sintetici — dati creati dai computer anziché raccolti dal mondo reale — così può fare previsioni zero-shot, cioè previsioni su dati che non ha mai visto prima, anche in settori dove gli esempi reali sono scarsi.
Il modello può anche osservare serie correlate nello stesso momento. Se la vibrazione, la temperatura e la pressione di una pompa cambiano tutte insieme, Timestral può usare quelle connessioni invece di indovinare ciascuna separatamente. Gestisce input categoriali — etichette come "inattivo" o "in manutenzione" che non hanno un ordine naturale — e input futuro noto come modifiche alla produzione pianificate, così un aumento pianificato del carico non sembra un'imprevisto.
Le aziende possono perfezionare Timestral sui propri dati attraverso Mistral Forge, la piattaforma di perfezionamento dell'azienda, per adattarlo a settori specifici 1.
Mistral afferma che il modello è pensato per integrarsi nei sistemi di monitoraggio esistenti e può funzionare insieme ai suoi modelli linguistici in flussi di lavoro multi-agente, dove un agente AI reagisce agli avvisi del sistema di previsione. I risultati dei benchmark sono stati inviati alle classifiche GIFT-Eval e TIME per una verifica indipendente 1.
How good is it
Mistral afferma che il suo modello più grande (209M parametri) si classifica al primo posto su tutti e tre i principali benchmark pubblici — GIFT-Eval, TIME e fev-bench — usando solo circa due terzi dei parametri dei modelli migliori precedenti 1. Su GIFT-Eval e TIME, il modello 28M supera anche Chronos-2, che è circa quattro volte più grande . Punteggi più bassi sono migliori su questi benchmark, il che significa che i risultati di Timestral lo collocano davanti alla concorrenza . Mistral ha inviato i risultati alle classifiche GIFT-Eval e TIME per una verifica indipendente .
Immagine: mistral.ai
Immagine: mistral.ai
Correzioni e aggiornamenti
- Corretto il 20 ottobre 2026. La fonte afferma che il modello più grande (209M parametri) si classifica al primo posto su tutti e tre i principali benchmark, non il più piccolo. I modelli più piccoli scambiano accuratezza per velocità, quindi non guidano le classifiche.
I fatti principali
- Timestral è la prima famiglia di modelli fondazionali per serie temporali di Mistral, disponibile in quattro dimensioni da 5M a 209M parametri
- Il modello 209M si classifica al primo posto su GIFT-Eval, TIME e fev-bench, usando solo due terzi dei parametri dei leader precedenti
- I modelli girano su CPU standard — la variante 5M prevede un giorno in anticipo in 10 millisecondi
- Timestral supporta previsioni multivariate, input categoriali e covariate futuro noto
- Il perfezionamento è disponibile tramite Mistral Forge per l'adattamento specifico al settore