Mistral stellt Timestral vor: Zeitreihenmodelle landen bei drei Benchmarks auf Platz eins

Vier Größen, probabilistische Prognosen

Timestral gibt es in vier Größen: 5 Mio., 28 Mio., 123 Mio. und 209 Mio. Parameter. Alle vier teilen sich laut Mistral dieselbe Architektur und dasselbe Trainingsrezept. Die größeren Modelle verbessern die Prognosequalität, die kleineren sind schneller und günstiger.

Die Modelle liefern probabilistische, multivariate Prognosen und unterstützen Kovariaten, die nur aus der Vergangenheit stammen, sowie solche, deren Zukunftswerte bekannt sind. Timestral sagt einen vollständigen Satz von Quantilen voraus, sodass Teams erkennen können, wie groß die Unsicherheit ist, und Alarmschwellen entsprechend setzen können. Zudem verarbeitet es kategoriale Kovariaten wie den Wochentag oder den Zustand einer Maschine direkt als kategoriale Eingaben, statt sie in Zahlen zu kodieren.

Mistral positioniert die Modelle als Foundation-Modelle für Zeitreihen. Sie wurden mit einem großen, vielfältigen Korpus trainiert und prognostizieren Zero-Shot auf Daten, die sie nie gesehen haben, auch in Bereichen mit knappen Daten. Das unterscheidet sie von klassischen Modellen wie ARIMA, die meist auf eine einzelne Reihe angepasst werden, und von Deep-Learning-Modellen wie PatchTST, die in der Regel für jeden Datensatz von Grund auf trainiert werden.

Benchmark- und Effizienzangaben

Mistral hat Timestral auf GIFT-Eval, TIME und fev-bench getestet. Unter den vortrainierten Zero-Shot-Modellen liege es bei allen fünf Metriken auf Platz eins, und zwar mit einem einzigen Checkpoint ohne Ensembling. Die Ergebnisse wurden bei den Ranglisten von GIFT-Eval und TIME eingereicht.

Nach Angaben des Unternehmens liegt jede Größe auf der Pareto-Front aus Genauigkeit und Modellgröße, das heißt: Für jede Größe prognostiziert kein öffentliches Modell besser. Zwei Vergleiche stechen hervor:

• Das 28M-Modell schlägt Chronos-2, das etwa viermal so groß ist, bei GIFT-Eval und TIME.
• Das 209M-Modell schlägt TimesFM-3 und Falcon-2.0 mit weniger Parametern.

Für die Inferenz braucht Timestral laut Mistral keine GPU. Auf einer handelsüblichen Server-CPU mit 8 Threads dauert eine Prognose für den nächsten Tag auf Basis von drei Wochen 15-Minuten-Historie mit dem 5M-Modell 10 ms und mit dem 209M-Modell 140 ms. Das 28M-Modell ist fünfmal schneller als das 209M-Modell, und das 123M-Modell erreicht bei drei Vierteln der Latenz bis auf 0,2 % den Score des 209M-Modells.

So wurde es gebaut

Mistral nennt vier technische Ideen und kündigt an, dass ein technischer Bericht sie im Detail beschreiben wird.

• Decoupled Horizon Forecasting. Kausale Decoder, die wie bei Toto 2.0 und TimesFM-3 mit zusammenhängender Patch-Maskierung trainiert werden, maskieren die zu prognostizierenden Werte. Mistrals Ansatz behält die gesamte Historie in der Sequenz und nutzt gelernte Prognose-Token, die die davorliegende Historie lesen, sodass jeder beobachtete Wert zugleich als Ziel und als Kontext dient.
• Kovariaten-bewusste Attention. Jeder Eingangsreihe wird eine Rolle zugewiesen: Zielvariable, Kovariate nur aus der Vergangenheit oder Kovariate mit bekannter Zukunft. Informationen fließen nur von den Kovariaten zu den Zielvariablen, sodass ein Feiertagskalender oder eine Wettervorhersage genutzt werden kann, ohne dass die eigene Zukunft einer Zielvariable durchsickert.
• Synthetic-first-Daten. Der Großteil der Trainingsdaten war synthetisch. Er wurde aus univariaten Prozessen mit Trends, Saisonalität und unterschiedlichem Rauschen erzeugt und dann zu multivariaten Reihen mit nichtlinearen Abhängigkeiten kombiniert.
• Zweistufiges Training. Das Modell wird zunächst mit rein synthetischen Daten bei einer Kontextgröße von 8192 vortrainiert und anschließend mit einer Mischung aus realen und synthetischen Daten bei viermal längerem Kontext nachtrainiert. Als Zielfunktion dient ein Pinball-Loss über 21 Quantile.

Industrieeinsatz und Anpassung

Als Hauptbeispiel nennt Mistral eine Industrieanlage. Vibration, Temperatur und Druck einer Pumpe bewegen sich nicht unabhängig voneinander, und Timestral modelliert verwandte Reihen gemeinsam. Bekannte Einflussgrößen wie Produktionspläne, geplante Stillstände und Wettervorhersagen lassen sich als Kovariaten mit bekannter Zukunft einspeisen, sodass ein geplanter Lastanstieg erwartet und nicht als Überraschung gemeldet wird.

Das Unternehmen beschreibt Timestral als numerisches Modell, das in bestehenden Überwachungs-Pipelines laufen oder in agentischen Workflows mit seinen Sprachmodellen kombiniert werden kann. In seiner Skizze erkennt Timestral eine Anomalie an einer Pumpe, ein Agent vergleicht die Signale mit früheren Sensordaten, um ähnliche Ausfälle zu finden, und Sub-Agenten führen anhand von Wartungsprotokollen, Schichtbüchern und Handbüchern eine Ursachenanalyse durch. Der Werksleiter erhält dann einen Diagnosevorschlag mit Belegen und nächsten Schritten statt nur eines Alarms.

Für Organisationen, deren Daten sich von öffentlichen Benchmarks unterscheiden, steht Timestral über Mistral Forge bereit, die Trainings-Pipeline, die Mistral für seine Sprachmodelle nutzt. Sie unterstützt Zero-Shot-Inferenz out of the box, architektonische Erweiterungen wie domänenspezifische Kovariaten und Fine-Tuning auf proprietären Daten.

Was das für Anwender bedeutet

Für Teams in den Bereichen Energie, Finanzen, Lieferketten und industrielle Wartung bietet die Veröffentlichung Prognosemodelle, die laut Mistral auf CPUs laufen und von 5 Mio. bis 209 Mio. Parametern reichen. So lässt sich Genauigkeit gegen Geschwindigkeit und Kosten abwägen. Die Benchmark-Platzierungen sind Angaben des Unternehmens selbst, und der von Mistral angekündigte technische Bericht dürfte mehr Details dazu liefern, wie die Ergebnisse zustande kamen.