Timestral：功能特性、基准测试与模型获取

什么是 Timestral？

Timestral 是 Mistral 于 2026 年 10 月 15 日发布的时间序列基础模型系列。该模型系列专门针对传感器遥测数据和财务指标等企业数据类型，生成概率性多元预测。

与针对单一数据序列训练的经典工具（如 ARIMA）或每个数据集均需从头训练的深度学习模型（如 PatchTST）不同，Timestral 采用了跨广泛数据集的预训练机制。这种设计使其无需先验领域训练，即可对陌生数据执行零样本（zero-shot）预测。

Timestral 的主要功能有哪些？

Timestral 支持多元、概率性预测，并兼容连续型和类别型协变量。其架构融合了 Decoupled Horizon Forecasting、协变量感知注意力机制、合成数据预训练以及长上下文学习能力。

Timestral 不会孤立地预测各变量，而是对相关序列进行协同建模，以捕捉相互依赖关系，例如压力、温度与振动之间的相关性。它会输出预测分位数，以直观展示预测的不确定性，便于进行风险规划。

该模型可以直接接收类别型输入数据，例如机器运行状态或星期几的分类标签。它还能整合已知的未来驱动因素（如生产计划或天气预报），防止预期内的事件触发虚假的风险告警。

Timestral 在基准测试与运行速度上的表现如何？

在预训练零样本模型中，Timestral 在 GIFT-Eval、TIME 和 fev-bench 公开预测基准测试中均位居榜首。据 Mistral 介绍，其 209M 参数版本仅凭单检查点即可击败更大规模的竞品模型，无需集成（ensembling）。

Timestral 在推理时不需要 GPU。在标准的 8 线程服务器 CPU 上，基于 3 周的 15 分钟历史数据预测未来 1 天，5M 模型耗时 10 ms，209M 模型耗时 140 ms。

较小规模的模型版本在速度与精度之间实现了平衡。28M 模型的运行速度比 209M 模型快 5 倍，并在 GIFT-Eval 和 TIME 上超越了 Chronos-2；而 123M 模型的性能得分与 209M 模型的差距在 0.2% 以内，且延迟仅为其四分之三。

如何在自动化工作流中部署 Timestral

Timestral 可以在标准数据流水线中运行，也可以在多模态诊断工作流中与语言模型协同工作。企业可通过以下框架建立自动化监控与分析流程：

1. 在传感器数据流上持续运行 Timestral，以实时监控指标并检测异常。
2. 将标记的异常信号转换为向量嵌入（embeddings），并与历史故障数据集进行比对。
3. 触发 AI 子智能体（sub-agents），利用维护记录、操作员备注、交接班日志及设备手册执行根因分析。
4. 根据当前的传感器预测结果及检索到的上下文，生成诊断摘要和行动方案。

Timestral 有哪些局限性？

Timestral 专门用于数值型时间序列预测，本身无法生成对话式文本回复。生成基于文本的诊断结果需要将该模型与外部语言模型结合使用。

虽然较小的 5M 和 28M 参数模型在 CPU 硬件上的执行速度更快，但与 209M 参数版本相比，它们在预测精度上略有折损。如需针对高度特定的企业领域进行深度定制，则需要通过 Mistral Forge 进行微调。

常见问题

资料来源：Mistral