发布四种规模模型 引入统一预训练架构
Mistral AI 于 2026 年 10 月 15 日宣布推出其首个时间序列基础模型系列，命名为 Timestral。该系列包含四个不同参数规模的模型，分别为 5M、28M、123M 和 209M，其中最大模型的参数量为 209M。
据官方介绍，这四个规模的模型共享同一套架构与训练配方，结合了合成数据预训练、协变量感知注意力机制以及长上下文学习能力。对于需要适配特定领域业务数据的机构，Timestral 支持通过 Mistral Forge 平台进行针对性微调。
多项公开基准登顶 官方展示轻量级CPU推理表现
在基准性能方面，Mistral AI 声明其 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三个主要公共基准测试中均位列第一；在预训练零样本模型评测中，该模型基于单一检查点且未采用集成方法，在全部五个评估指标上均排名首位。
官方数据显示，Timestral 仅使用前代前沿模型三分之二的参数量便实现了性能超越。其中，28M 模型在 GIFT-Eval 和 TIME 基准上击败了参数规模约为其四倍的 Chronos-2，209M 模型则击败了 TimesFM-3 和 Falcon-2.0。
除模型参数效率外，官方重点强调 Timestral 在推理阶段无需依赖 GPU。在标准 8 线程服务器 CPU 环境下，基于 3 周（15 分钟粒度）的历史数据预测未来 1 天，5M 模型的推理延迟为 10 毫秒，209M 模型为 140 毫秒。同时，28M 模型的运行速度达到 209M 模型的 5 倍，而 123M 模型的延迟仅为 209M 的四分之三，性能评分仅比 209M 低 0.2%。
支持多变量与概率预测 面向多模态智能体协同
在预测功能方面，Timestral 提供概率性与多变量预测能力，能够对相关联的时序数据（如温度、压力等）进行联合建模，并输出完整的量位数以表达不确定性区间。在协变量支持上，模型兼容仅历史与已知未来的协变量，且允许直接输入分类协变量，无需进行数值转换。
官方表示，得益于多样化语料库的预训练，Timestral 具备零样本迁移能力，在数据稀缺领域也能对未知数据展开预测。应用落地上，该模型既可作为纯数值预测单元部署于既有监控管道，亦可协同 Mistral 旗下的语言模型构建多模态代理工作流，用于工业场景下的异常检测与根本原因分析。
技术演进背景与待观察事项
时间序列数据广泛应用于容量规划、能源、供应链、风险评估及设备维护等企业核心决策场景。相较于传统统计模型拟合单序列的局限以及深度学习模型难以跨领域迁移的问题，时间序列基础模型致力于将大模型预训练范式引入该领域以解决迁移学习瓶颈。