Nyhet

Mistral AI lanserar Timestral – egna AI-modeller för prognoser på tidsserier

Mistral AI har släppt Timestral, bolagets första modellfamilj för prognoser på tidsserier, till exempel sensordata och mätvärden. Enligt Mistral AI rankar den största modellen, med 209 miljoner parametrar, först på tre stora publika benchmarkar. Släppet presenterades i bolagets blogg den 15 oktober 2026.

Det viktigaste i korthet

• Timestral är Mistral AI:s första familj av grundmodeller för tidsserier, i fyra storlekar: 5M, 28M, 123M och 209M parametrar.

• Enligt Mistral AI rankar den största modellen etta på GIFT-Eval, TIME och fev-bench och slår tidigare toppmodell med två tredjedelar av parametrarna.

• Modellerna ger probabilistiska prognoser med 21 kvantiler och hanterar flera sammanhängande serier samt kovariater, med kontextlängd på 32 768 tidssteg.

• Enligt bolaget behövs ingen GPU: på en server-CPU med 8 trådar tar en prognos 17 ms med 5M-modellen och 113 ms med 209M-modellen.

• Licensen är Modified MIT, och det finns ett GitHub-repo. Finjustering på egen data sker via Mistral Forge.

Vad har hänt

Mistral AI har lanserat Timestral, en familj av grundmodeller för tidsserier. Sådana modeller förtränas på stora och varierade dataset och kan därefter göra prognoser på serier de aldrig sett, så kallad zero-shot. Mistral AI pekar på att tidsserier är vanliga i företag, från sensordata till övervakningsmått, och används för kapacitetsplanering, energi, leveranskedjor, risk och underhåll.

Enligt Mistral AI är nyheten jämfört med klassiska metoder som ARIMA och djupinlärningsmodeller som PatchTST att kunskapen går att föra över mellan domäner. Klassiska modeller anpassas vanligen till en enda serie, och djupinlärningsmodeller tränas oftast från grunden på varje dataset.

Bolaget uppger att den största modellen på 209 miljoner parametrar toppar GIFT-Eval, TIME och fev-bench bland förtränade zero-shot-modeller i alla fem mätvärden. Resultaten kommer från en enda checkpoint utan ensemble. Resultat har skickats till topplistorna för GIFT-Eval och TIME. Enligt Mistral AI ligger alla fyra storlekar på Pareto-fronten för noggrannhet mot modellstorlek, så att ingen publik modell av samma storlek presterar bättre. Bolaget hävdar också att 28M-modellen slår Chronos-2, som är ungefär fyra gånger större, på GIFT-Eval och TIME. 209M-modellen ska slå TimesFM-3 och Falcon-2.0 med färre parametrar. Enligt bolaget är 28M-modellen 3,6 gånger snabbare än 209M-modellen, och 123M-modellen når inom 0,2 procent av dess resultat med tre fjärdedelar av latensen.

I ett industriexempel beskriver Mistral AI fyra funktioner. Modellen prognostiserar flera relaterade sensorer gemensamt. Den ger kvantiler som visar osäkerheten. Den tar kategoriska kovariater, som veckodag eller maskinstatus, direkt som indata. Och den kan utgå från kända framtida faktorer som produktionsplaner eller väderprognoser. Timestral kan köras i befintliga övervakningsflöden eller kombineras med Mistrals språkmodeller i agentbaserade arbetsflöden, där en upptäckt avvikelse leder till en föreslagen diagnos.

Tekniskt lyfter bolaget fram fyra delar. Decoupled Horizon Forecasting låter hela historiken ligga kvar som kontext. Kovariatmedveten attention ger varje serie en roll som mål, tidigare kovariat eller känd framtida kovariat. Majoriteten av träningsdatan var syntetisk. Träningen sker i två steg: först på enbart syntetisk data med kontext 8 192, sedan på en mix av verklig och syntetisk data med fyra gånger längre kontext.

För organisationer som vill anpassa modellen finns Mistral Forge, med bland annat finjustering på egen data och kontroll över träningsmixen. Enligt Mistral AI kan hela kedjan köras på kundens egen hårdvara, även i avskärmade miljöer. Distribution sker on-prem, i VPC eller air-gapped.

Vad det betyder för dig i Sverige

Källan tar inte upp något specifikt för Sverige, varken pris, lokal tillgänglighet eller svenska kunder. Utifrån det som står går det däremot att säga att modellerna enligt Mistral AI kan köras på vanliga serverprocessorer utan GPU. Det finns också ett GitHub-repo där man kan testa Timestral på egen data. Företag med strikta krav på datahantering kan notera att bolaget uppger att systemet går att driva lokalt eller i avskärmade miljöer. Vad Mistral Forge kostar och hur licensvillkoren ser ut i detalj framgår inte.

Det här vet vi inte än

• Resultaten är Mistral AI:s egna uppgifter. Källan visar inte om de har verifierats oberoende, och bolaget säger bara att resultat har skickats in till topplistorna för GIFT-Eval och TIME.

• Hur modellen presterar på svenska företags egen data är okänt.

• Priset för Mistral Forge och eventuella kostnader för support nämns inte.

• Källan förklarar inte vad som är ”modifierat” i licensen Modified MIT.

• Det framgår inte om någon svensk organisation använder Timestral eller när sådana användningar kan komma.

Viktigt att veta

Artikeln är allmän information och ersätter inte rådgivning från legitimerad vårdpersonal, jurist eller ekonomisk rådgivare. Dela aldrig patient-, klient- eller personuppgifter med AI-tjänster utan rättslig grund, och låt en människa fatta beslut som påverkar hälsa, rättigheter eller ekonomi.