Mistral выпустила Timestral: прогнозы временных рядов без GPU
Mistral выпустила Timestral: прогнозы временных рядов без GPU
Mistral представила Timestral — семейство моделей не для диалога, а для прогнозирования временных рядов: спроса, показаний датчиков, нагрузки или других меняющихся во времени данных. Главная практическая деталь — самая крупная версия содержит 209 млн параметров и, по заявлению компании, может работать на обычном серверном CPU.
В линейке четыре размера: 5 млн, 28 млн, 123 млн и 209 млн параметров. Модели принимают несколько связанных рядов, умеют учитывать прошлые и заранее известные факторы — например, расписание производства, календарь или прогноз погоды — и выдают не одну цифру, а вероятностный диапазон из 21 квантиля. Контекст заявлен до 32 768 временных шагов.
Изображение: Mistral.
Не чат-бот, а слой под прогноз
Такой формат полезен там, где решения зависят от неопределённости. Для насоса на производстве важен не только ожидаемый показатель, но и ширина диапазона: она помогает выбрать порог тревоги и спланировать обслуживание. Mistral также описывает сценарий, в котором Timestral отмечает аномалию, а языковой агент ищет похожие поломки в журналах и предлагает план проверки.
Компания приводит ориентиры для CPU: при восьми потоках прогноз на день по трём неделям 15-минутной истории занимает 10 мс у версии 5M и 140 мс у 209M. Это собственные измерения Mistral, а не универсальный результат: задержка будет зависеть от числа рядов, подготовки данных и железа.
Открытые веса — не готовая эксплуатация
Репозиторий Timestral уже опубликован, а веса распространяются по модифицированной лицензии MIT. Модели заявлены как пригодные для zero-shot-прогноза и дообучения через Mistral Forge; полный конвейер можно развернуть в собственной инфраструктуре, включая изолированные среды.
Но прогнозная модель не заменяет контроль качества данных. Пропуски, смена режима спроса и неверно заданные будущие факторы способны сделать красивый интервал бесполезным. Перед внедрением разумно сравнить Timestral с текущим методом на собственном горизонте прогноза и отдельно измерить ошибку, задержку и стоимость обслуживания.
