Timestral : les modèles de séries temporelles de Mistral
Original : Timestral: Mistral's time-series foundation models
Pourquoi c'est important
Les séries temporelles sont omniprésentes en entreprise ; un modèle zero-shot performant change la donne.
Mistral lance Timestral, sa première famille de modèles de fondation pour séries temporelles. Avec 209M paramètres, il se classe premier sur GIFT-Eval, TIME et fev-bench, surpassant des modèles plus grands.
Mistral publie Timestral, une famille de quatre modèles de fondation dédiés aux séries temporelles : 5M, 28M, 123M et 209M paramètres. Le modèle principal, avec seulement 209M paramètres — soit deux tiers de ceux du précédent état de l'art — prend la première place sur les trois principaux benchmarks publics du domaine : GIFT-Eval, TIME et fev-bench. Ces résultats proviennent d'un seul checkpoint, sans ensembling.
Timestral produit des prévisions probabilistes et multivariées, et gère les covariables passées comme futures. L'ensemble de la gamme se positionne sur le front de Pareto entre précision et taille de modèle. Techniquement, il combine un pré-entraînement sur données synthétiques, une attention sensible aux covariables et un apprentissage sur contextes longs.
Les cas d'usage visés sont nombreux : planification de capacités industrielles, détection de dérives d'équipements, prévisions financières de flux et de volatilité. Contrairement aux modèles classiques comme ARIMA — ajustés série par série — ou aux réseaux profonds type PatchTST, Timestral transfère ce qu'il a appris à de nouveaux domaines en zero-shot, même avec peu de données. Un fine-tuning est possible via Mistral Forge pour l'adaptation à des domaines spécifiques. Les modèles tournent efficacement sur CPU.