Timestral：功能特色、基準測試與模型存取

甚麼是 Timestral？

Timestral 是 Mistral 於 2026 年 10 月 15 日發布的時間序列基礎模型系列。該模型系列專門針對感應器遙測數據及財務指標等企業數據類型，生成概率型多元預測。

有別於僅針對單一數據序列訓練的傳統工具（如 ARIMA），或需要就個別數據集從頭訓練的深度學習模型（如 PatchTST），Timestral 採用了跨廣泛數據集的預訓練模式。這種設計讓它無需事先進行領域訓練，即可對陌生數據進行零樣本（zero-shot）預測。

Timestral 的主要功能是甚麼？

Timestral 支援多元、概率型預測，並可同時處理連續型及類別型協變量。其架構結合了 Decoupled Horizon Forecasting、協變量感知注意力機制、合成數據預訓練以及長上下文學習能力。

Timestral 不會將各個變數分開獨立預測，而是將相關序列整合建模，以捕捉彼此的相互依賴關係，例如壓力、溫度和震動之間的關聯。它會輸出預測分位數，以展示預測的不確定性，方便進行風險規劃。

該模型可以直接接收類別型輸入數據，例如機器運行狀態或星期幾的分類標籤。它亦能結合已知的未來驅動因素（例如生產排程或天氣預報），避免預期之內的事件觸發錯誤的風險警報。

Timestral 在基準測試與運行速度表現如何？

在預訓練零樣本模型之中，Timestral 在 GIFT-Eval、TIME 及 fev-bench 等公開預測基準測試中榮登榜首。根據 Mistral 的數據，其 209M 參數版本只需單一檢查點、無需集成（ensembling），表現便已超越體積更大的競爭模型。

Timestral 進行推論時無需 GPU。在標準 8 線程伺服器 CPU 上，基於 3 週的 15 分鐘歷史數據預測未來 1 天，5M 模型僅需 10 ms，209M 模型則需 140 ms。

較小規模的模型版本在速度與精確度之間取得良好平衡。28M 模型的運行速度比 209M 模型快 5 倍，並在 GIFT-Eval 和 TIME 上擊敗 Chronos-2；而 123M 模型的表現與 209M 模型得分差距在 0.2% 以內，延遲時間卻只需四分之三。

如何在自動化工作流程中部署 Timestral

Timestral 可以在標準數據管道中運作，亦可在多模態診斷流程中與大型語言模型結合使用。企業可以透過以下架構實施自動化監控與分析流程：

1. 在感應器數據流上持續運行 Timestral，以即時監控各項指標並偵測異常。
2. 將標記的異常訊號轉換為向量嵌入（embeddings），並與歷史故障數據集進行比對。
3. 觸發 AI 子代理（sub-agents），利用維修記錄、操作員備註、交更日誌及設備手冊進行根本原因分析。
4. 根據當前的感應器預測結果和檢索到的上下文，生成診斷摘要及行動方案。

Timestral 有甚麼局限？

Timestral 專門用於數值型時間序列預測，本身不會生成對話式文字回覆。如需文字形式的診斷輸出，必須將模型與外部語言模型配合使用。

雖然較小的 5M 和 28M 參數模型在 CPU 硬件上的執行速度更高，但與 209M 參數版本相比，它們在預測精確度上會略有犧牲。若要針對高度專業的企業領域進行專屬適應，則需要透過 Mistral Forge 進行微調。

常見問題

資料來源：Mistral