# Timestral：功能特性、基准测试与模型获取

作者：Schnalz.net · 2026年10月16日

https://schnalz.net/zh-CN/ai-guides/timestral-features-benchmarks-and-model-access

> Timestral 是由 Mistral 开发的时间序列基础模型系列，专用于概率性多元预测。其参数量最高达 209M，可在 CPU 上高效运行，并在各项基准测试中名列前茅。

## 重点

- Mistral 于 2026 年 10 月 15 日推出时间序列模型系列 Timestral。
- 模型参数量覆盖 5M 至 209M，可在标准 CPU 上高效运行。
- Timestral 在 GIFT-Eval、TIME 和 fev-bench 等公开预测基准中位列第一。
- 支持通过 Mistral Forge 进行领域自适应和模型微调。

## 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。

**Timestral 一览**

- **开发者**：Mistral
- **发布日期**：2026 年 10 月 15 日
- **模型尺寸**：5M、28M、123M、209M 参数
- **任务类型**：时间序列预测
- **推理硬件**：支持 CPU（无需 GPU）
- **模型微调**：Mistral Forge

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）。

- **209M** 最大模型参数量
- **10 ms** 5M 模型 CPU 预测延迟
- **140 ms** 209M 模型 CPU 预测延迟
- **1st** 三大公开基准测试排名

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

### 什么是 Timestral？

Timestral 是 Mistral 于 2026 年 10 月 15 日推出的时间序列基础模型系列。该模型系列专门针对传感器数据和资金流等企业指标生成概率性多元预测。

### Timestral 提供哪些模型尺寸？

Timestral 提供 4 种参数规模：5M、28M、123M 和 209M 参数。这 4 种尺寸均采用相同的核心架构，便于用户在速度与精度之间权衡选择。

### Timestral 推理需要 GPU 吗？

Timestral 在执行预测推理时不需要 GPU。在标准的 8 线程服务器 CPU 上，进行 1 天预测时，5M 模型耗时 10 ms，209M 模型耗时 140 ms。

### 如何微调 Timestral 模型？

用户可以通过 Mistral Forge 对 Timestral 模型进行微调，以实现特定的领域自适应。微调使团队能够在特定的内部数据集上定制预训练预测系统。

### Timestral 与经典预测模型相比表现如何？

与仅拟合单一序列的经典模型（如 ARIMA）不同，Timestral 采用了跨广泛数据集的预训练机制。这使 Timestral 能够对未见过的数据执行零样本预测，并对多变量之间的依赖关系进行建模。

## 资料来源

- [Mistral：Timestral: Mistral's time-series foundation models](https://mistral.ai/news/timestral/)