Mistral 发布时间序列基础模型 Timestral
Mistral 于 10 月 15 日发布 Timestral 系列时间序列基础模型，共 5M、28M、123M、209M 四个规模，采用修改版 MIT 许可证。模型支持带协变量的多变量概率预测和零样本预测，上下文长度 32,768 个时间步，每次输出 21 个分位数。
要点
- 官方称 209M 模型在 GIFT-Eval、TIME、fev-bench 三个榜单的零样本预训练模型中排名第一
- 28M 模型在 GIFT-Eval 和 TIME 上超过约 4 倍大小的 Chronos-2
- 在 8 线程服务器 CPU 上，5M 模型单次预测约 10ms，209M 约 140ms
- 权重和代码已在 GitHub 与 Hugging Face 发布，支持本地、VPC 和离线环境部署
为什么值得关注
小参数、CPU 即可运行的时间序列模型，适合用于容量预测、业务指标预警等场景，且支持离线部署，对内网环境比较友好。
来源
### [Mistral 发布时间序列基础模型 Timestral]({{URL}})
Mistral 于 10 月 15 日发布 Timestral 系列时间序列基础模型，共 5M、28M、123M、209M 四个规模，采用修改版 MIT 许可证。模型支持带协变量的多变量概率预测和零样本预测，上下文长度 32,768 个时间步，每次输出 21 个分位数。
- 官方称 209M 模型在 GIFT-Eval、TIME、fev-bench 三个榜单的零样本预训练模型中排名第一
- 28M 模型在 GIFT-Eval 和 TIME 上超过约 4 倍大小的 Chronos-2
- 在 8 线程服务器 CPU 上，5M 模型单次预测约 10ms，209M 约 140ms
- 权重和代码已在 GitHub 与 Hugging Face 发布，支持本地、VPC 和离线环境部署
**为什么值得关注**：小参数、CPU 即可运行的时间序列模型，适合用于容量预测、业务指标预警等场景，且支持离线部署，对内网环境比较友好。
来源：[Timestral: time-series foundation models](https://mistral.ai/news/timestral/)