Timestral 209M

Timestral 209M — один из четырёх размеров семейства Timestral, выпущенного Mistral 15 октября 2026 года. Модель предназначена для прогнозирования временных рядов: например, показателей датчиков, спроса, загрузки оборудования или других последовательностей измерений. Она может работать без дополнительного обучения на конкретном наборе данных, то есть строить zero-shot прогнозы для новой серии.

Возможности версии 209M

Версия принимает одномерные и многомерные ряды, до 32 768 исторических шагов и числовые или категориальные признаки. Среди входных данных могут быть значения из прошлого и известные заранее факторы — например, календарь, производственный план или погодный прогноз. Модель выдаёт вероятностное распределение по 21 квантилю, а не только одну оценку, поэтому аналитик может видеть диапазон возможных исходов.

Официальная карточка указывает возможность прогноза до 1 024 будущих шагов за один проход. Модель запускается через PyTorch на CPU или GPU; лицензия чекпойнта — Modified MIT.

Что прогнозирует Timestral

Модель анализирует временную последовательность и оценивает её будущие значения. Такой подход применяют к телеметрии, энергопотреблению, объёмам заказов и показателям оборудования. В отличие от обычной языковой модели, Timestral работает с числовым рядом как с последовательностью измерений.

Учет дополнительных факторов

Семейство поддерживает многомерные данные и известные заранее признаки. Например, график производства или выходной день может объяснить ожидаемый всплеск нагрузки. Предсказанные диапазоны полезны для планирования: они показывают, насколько результат неопределён.

Позиция среди моделей семейства

Timestral также доступна в вариантах 5M, 28M и 123M. По опубликованным результатам Mistral, старшая версия показала лучшие метрики семейства, тогда как 28M и 123M сокращают задержку на инференсе.

Доступность и ограничения

Timestral — специализированная модель для числовых временных рядов, а не универсальный чат-бот и не система, которая сама принимает бизнес-решения. Её прогнозы стоит оценивать на данных конкретной организации, учитывать пропуски и сезонность и проверять вместе с базовыми методами. Mistral сообщает, что для инференса не требуется GPU; доступные веса и программный код позволяют развернуть модель в собственной среде.

Разработчик

Другие модели компании собраны в статье о Mistral в Вики Futuretools. Подробности о семействе опубликованы в официальном анонсе Timestral.