Mistral 喺 2026 年 10 月 15 號宣佈推出 Timestral，佢哋首個時間序列基礎模型（time-series foundation model, TSFM）家族。最大模型 209M 參數，公司聲稱喺 GIFT-Eval、TIME 同 fev-bench 三個該領域主要公開基準上全部排第一，而且自稱只係之前最佳模型參數嘅三分之二。
呢個家族一共有四個尺寸——5M、28M、123M、209M——共享同一套架構同訓練配方。大號更準，細號更快更平。全部號稱跑喺「準確度對模型大小」嘅帕累託前沿（Pareto front，即某個尺度下冇其他公開模型做得更好），並稱 CPU 上可以高效運行、適合零樣本（zero-shot，冇針對新數據集額外訓練）預測。Mistral 話已經向 GIFT-Eval 同 TIME 嘅排行榜（leaderboard）提交了結果。
技術上，佢哋指 Timestral 綜合咗合成數據預訓練（synthetic pre-training）、covariate-aware attention（感知共變量嘅注意力機制）同長上下文學習，可支援 past-only 同 known-future 兩類共變量（covariates，即影響主序列嘅其他變量），並透過 Mistral Forge 提供領域微調。公司講嘅目標場景包括工業廠區嘅設備預報、能源規劃、供應鏈同金融風險管理。
傳統工具好似 ARIMA（自回歸分項移動平均）同線性回歸通常只就單一序列擬合；PatchTST 等深度學習模型可以跨相關序列學非線性模式，但一般要針對每個數據集由零訓練，學到嘅嘢帶唔去新領域。TSFM 嘅做法，Mistral 話，係將「預訓練」思路搬入時間序列，令模型喺大型多樣語料上學到可跨序列遷移嘅模式。
呢個都係廠商自己講。 佢哋話喺預訓練、零樣本模型入面，五個指標全部頭名，且來自單一 checkpoint、無 ensemble（多模型平均）；GIFT-Eval 喺 83 個可比較嘅預訓練零樣本項目入面排前列，TIME 喺 35 個排行榜項目前列，fev-bench 喺 37 個項目入面按 SQL skill score（愈高愈好）排前列。但全部呢啲數字都出自 Mistral 自己嘅公告，未見獨立第三方驗證，本站亦冇實際測試過呢個模型。
模姐驗嚇貨：模型幾小，唔一定代表樣樣得。Timestral 聲稱嘅三榜第一、CPU 可跑、零樣本，全部係廠商自評，要睇第三方點樣重現、獨立評測仲要幾耐先出。到時先至知呢個「小」嘅時間序列模型，究竟係真係強，定係只係強喺自己份報告書入面。
