Nyhet

Mistral AI lanserar Timestral – modeller för prognoser på tidsserier

Mistral AI presenterade den 15 oktober 2026 Timestral, bolagets första modellfamilj för tidsserier. Modellerna finns i fyra storlekar, från 5 till 209 miljoner parametrar, och ger sannolikhetsbaserade prognoser. Enligt Mistral AI rankas den största modellen etta på de tre stora offentliga testerna GIFT-Eval, TIME och fev-bench.

Det viktigaste i korthet

• Timestral är Mistral AI:s första familj av grundmodeller för tidsserier (TSFM), släppt 15 oktober 2026.

• Fyra storlekar finns: 5M, 28M, 123M och 209M parametrar.

• Enligt Mistral AI rankas 209M-modellen först på GIFT-Eval, TIME och fev-bench med två tredjedelar av parametrarna jämfört med tidigare bästa modell.

• Modellerna ger sannolikhetsprognoser med 21 kvantiler och hanterar flera tidsserier samtidigt samt kovariater från både det förflutna och kända framtida värden.

• Enligt bolaget behövs ingen GPU: på en serverprocessor med 8 trådar tar en prognos 10 ms med 5M-modellen och 140 ms med 209M-modellen.

• Kontextlängden är 32 768 tidssteg. Licensen är en modifierad MIT-licens, och det finns ett GitHub-repo.

Vad har hänt

Mistral AI har släppt Timestral, en familj av grundmodeller för tidsserier. Sådana data är vanliga i företag, till exempel sensordata och övervakningsmått, och ligger till grund för beslut om kapacitet, energi, leveranskedjor, risk och underhåll. Klassiska modeller som ARIMA och linjär regression anpassas vanligen till en enskild serie. Djupinlärningsmodeller som PatchTST lär sig mönster över flera serier men tränas ofta från början på varje dataset. Grundmodeller går i stället tillväga som språkmodeller: de förtränas på ett stort och varierat material och kan enligt Mistral AI prognostisera ”zero-shot”, alltså på data de aldrig sett, även där data är sällsynta.

Enligt Mistral AI rankas Timestral först bland förtränade zero-shot-modeller på alla fem mått över de tre testerna, med en enda checkpoint utan ensemble. Resultat har skickats in till topplistorna för GIFT-Eval och TIME. Bolaget uppger också att alla fyra storlekar ligger på den så kallade Paretofronten för noggrannhet mot modellstorlek, så att ingen offentlig modell av samma storlek prognostiserar bättre. Mistral AI hävdar att 28M-modellen slår Chronos-2, som är ungefär fyra gånger större, på GIFT-Eval och TIME. Modellen på 209M parametrar sägs slå TimesFM-3 och Falcon-2.0 med färre parametrar.

Mistral AI betonar effektiviteten. Modellen på 28M är enligt bolaget fem gånger snabbare än den på 209M, och 123M-modellen kommer inom 0,2 procent av 209M-modellens resultat med tre fjärdedelar av svarstiden. Måttet gäller en dags prognos utifrån tre veckors historik med 15 minuters intervall.

Som exempel nämner källan en industrianläggning med tusentals sensorer. Där kan Timestral modellera till exempel vibration, temperatur och tryck tillsammans, ge en spridning av möjliga utfall via kvantiler, ta kategoriska kovariater som veckodag eller maskinstatus direkt och utnyttja kända framtida faktorer som produktionsscheman och väderprognoser. Mistral AI beskriver också en möjlig kedja där Timestral upptäcker avvikelser och en agent baserad på språkmodeller söker liknande tidigare fel och tar fram ett diagnosförslag.

Tekniskt lyfter bolaget fram fyra delar. Decoupled Horizon Forecasting behåller hela historiken i sekvensen och använder inlärda prognostecken, så att varje observerat värde fungerar både som mål och kontext. Covariate-aware attention ger varje serie en roll och låter information flöda bara från kovariater till mål, vilket undviker läckage av målets egen framtid. Majoriteten av träningsdatan var syntetisk. Träningen skedde i två steg: först syntetisk data med kontext 8 192, sedan en blandning av verklig och syntetisk data med fyra gånger längre kontext. Förlusten är pinball loss över 21 kvantiler.

Företag som vill anpassa modellen kan använda Mistral Forge, samma träningskedja som för bolagets språkmodeller. Den stöder zero-shot-körning, arkitekturtillägg som domänspecifika kovariater, finjustering på egna data och kontroll över träningsdata. Enligt Mistral AI kan hela kedjan köras på kundens egen hårdvara, även i luftgappade miljöer.

Vad det betyder för dig i Sverige

Källan tar inte upp Sverige specifikt. Av den framgår att Timestral kan köras lokalt (on-prem), i VPC eller i luftgappade miljöer, vilket kan vara relevant för organisationer med höga krav på datakontroll. Mistral AI har publicerat ett GitHub-repo så att den som vill kan köra modellen på egna data. Licensen anges som modifierad MIT, men villkoren beskrivs inte närmare i källan.

Det här vet vi inte än

Den tekniska rapporten med fullständiga resultat och detaljer om metoderna kommer först senare, och datum anges inte. Källan nämner inget om priser för Timestral eller Mistral Forge. Den säger heller inget om svensk tillgänglighet eller villkoren i den modifierade MIT-licensen. Benchmarkresultaten är Mistral AI:s egna uppgifter, och oberoende verifiering redovisas inte i källan.