Mistral 发布时间序列预测模型 Timestral：四个尺寸、CPU 可跑，权重限月营收 2000 万美元以下使用

时间序列预测常见于传感器监控、容量规划、需求和资金流预测。传统做法（如 ARIMA）通常对单条序列单独建模，深度学习方法也多半要在每份数据上重新训练。Timestral 走的是基础模型路线：先在大量数据上预训练，之后对没见过的数据直接做零样本预测。

01能输入什么、输出什么

• 多变量：同一组序列里的多个变量（如一台泵的振动、温度、压力）联合预测，而不是各算各的。
• 协变量：支持只有历史值的协变量、未来已知的协变量（排班、天气预报、节假日），以及类别型协变量（如设备的运行/空闲/检修状态）。
• 概率预测：每个时间步输出 21 个分位数，可以据此看不确定性有多宽，而不只是一个点预测。
• 上下文长度最长 32,768 步。

02四个尺寸与 CPU 速度

以下为 Mistral 官方数据：在 8 线程的普通服务器 CPU 上，用三周、间隔 15 分钟的历史预测未来一天，5M 模型约 10 毫秒，209M 模型约 140 毫秒；123M 模型的得分在 209M 的 0.2% 以内，延迟约为其四分之三。推理不需要 GPU。

03官方的成绩说法

Mistral 称，209M 版在三个公开预测榜单（GIFT-Eval、TIME、fev-bench）上，位列预训练、零样本模型第一，且来自单个检查点、没有做集成；官方还称 28M 版在 GIFT-Eval 和 TIME 上优于体量约为其四倍的 Chronos-2。这些结果是 Mistral 自己的评测和提交，技术报告尚未发布，本站未复现。

04怎么用

GitHub 仓库提供独立推理代码，只依赖 PyTorch、NumPy、safetensors 和 huggingface_hub，要求 Python 3.10 以上、torch 2.4 以上。README 给出的安装命令和调用方式如下（本站未实际运行）：

pip install git+https://github.com/mistralai/timestral.git

import numpy as np
from timestral import TimestralForecaster

forecaster = TimestralForecaster.from_pretrained("mistralai/Timestral-209M")
context = np.random.randn(2, 1, 2000).cumsum(-1)   # (序列数, 变量数, 时间步)
forecast = forecaster.forecast(context, prediction_length=96)
forecast.median            # 中位数预测
forecast.quantile(0.9)     # 90% 分位数

预测长度超过 1024 步时，模型按块逐段预测，并把上一块的中位数作为后续上下文，这会影响很长预测区间的精度，使用时需要留意。

05许可证

仓库代码是 Apache 2.0，但模型权重单独发布在 Hugging Face，采用 Mistral 的 Modified MIT 许可。按权重仓库中的许可文本，如果你的公司（或雇主）上个月的全球合并月营收超过 2000 万美元，就无权按该许可使用，需要向 Mistral 申请商业授权，或使用其托管服务。个人、研究和较小团队可以直接用，企业用户上线前应先核对这一条。