Timestral 是 Mistral 推出的首個時間序列基礎模型家族，分為 5M、28M、123M、209M 參數四個版本。它的目標是取代傳統 ARIMA、線性迴歸等只能處理單一序列的統計方法，讓企業能用同一套模型處理傳感器遙測、金融數據、能源與供應鏈等不同領域的時序預測問題。
技術上，Timestral 採用解耦視界預測，用學習出來的預測 token 讀取完整歷史資料，並以協變量感知的注意力機制區分預測目標、過去協變量與未來協變量。訓練資料以合成數據為主，先在純合成資料上預訓練，再以混合資料微調，上下文長度最終可達 32768 個時間步。
官方數據顯示，最大的 209M 模型在 GIFT-Eval、TIME、fev-bench 三個公開基準上都排名第一，且在一般八核心伺服器 CPU 上就能快速推論，不需要 GPU。Mistral 已把程式碼公開在 GitHub，並以 Modified MIT 授權釋出，讓使用者可直接拿自己的資料來跑。
這則新聞比較偏產業應用面，時間序列預測模型背後牽涉不少統計與機器學習知識，對剛開始學程式的孩子來說門檻偏高。但如果孩子已經學過基礎的 Python 與資料處理，可以把 Timestral 當成一個例子，了解「基礎模型」除了寫文章、生成圖片之外，也能用來預測數字資料的走勢。
AI開源時間序列機器學習