Mistral 宣布推出 Timestral，一组面向时间序列预测的基础模型。现有公开材料未给出模型规模、训练数据、基准成绩或访问方式，因此尚无法判断它相对现有预测方法的实际改进。
背景
时间序列基础模型是指在大规模、跨领域的序列数据上预训练，并可直接对未见过的序列做零样本预测的模型；其思路是把通用的时序模式迁移到具体预测任务，而不是为每条序列单独训练模型。Mistral 此前没有推出过这类模型，Timestral 是其首个时间序列模型家族，包含参数规模从 5M 到 209M 的四个版本，可在 CPU 上运行，并以修改版 MIT 许可发布。
参考链接
- Timestral: Mistral's time-series foundation models | Mistral
- Timestral: Mistral Releases Time-Series Foundation Models ...
- Mistral AI Releases Timestral: A 209M Forecasting Model ...
- Timestral : Mistral 's time - series foundation models | Mistral
- mistralai/ Timestral -209M · Hugging Face
- GitHub - mistralai/ timestral · GitHub
社区讨论
评论中，logancbrown 认为基础模型的价值在于同时预测成千上万条历史很短的序列，而 joefourier 质疑把所有“时间序列”归入一个模型是否合理；Trusteando 则主张用高信噪比、经典方法能够捕捉信号的生成过程来检验预测模型。也有评论者提到对另一款模型的实际体验不佳，并据此表达谨慎，但未提供 Timestral 的基准证据。