Mistral Timestral, modèles de fondation pour les séries temporelles

2026-10-15 · Éditeur : Mistral AI · Domaine : Intelligence Artificielle

Mistral AI lance Timestral, sa première famille de modèles de fondation pour la prévision de séries temporelles, de 5 à 209 millions de paramètres, sous licence MIT modifiée et en tête de GIFT-Eval, TIME et fev-bench selon l'éditeur.

### Contexte Après Mistral Large 4 le 6 octobre, Mistral AI s'attaque aux données numériques pour un usage industriel courant : prévoir la demande, la consommation d'énergie ou la charge d'un système à partir de séries chronologiques, sans réentraîner un modèle par jeu de données. ### Caractéristiques | Élément | Valeur | |---|---| | Tailles | 5M, 28M, 123M, 209M paramètres | | Tâche | Prévision probabiliste multivariée, 21 quantiles | | Contexte | 32 768 pas de temps | | Licence | MIT modifiée ; collection Hugging Face et dépôt GitHub | | Personnalisation | Mistral Forge (affinage sur données propriétaires, extensions d'architecture) | ### Benchmarks Résultats publiés par l'éditeur (classements sans scores chiffrés dans le texte). | Modèle | Résultat annoncé | |---|---| | Timestral 209M | 1er sur GIFT-Eval, TIME et fev-bench, avec environ deux tiers des paramètres de l'état de l'art précédent | | Timestral 123M | À 0,2 % du 209M pour environ trois quarts de sa latence | | Timestral 28M | Devant Chronos-2, environ quatre fois plus gros, sur GIFT-Eval et TIME | ### À retenir De très petits modèles ouverts, exécutables sur processeur, qui concurrencent les modèles de séries temporelles de Google (TimesFM) et d'Amazon (Chronos) ; un argument direct pour les déploiements souverains ou isolés.

Tags : Mistral AI, Séries temporelles, Poids ouverts, Prévision, Petit modèle