Mistral 發布 Timestral 時間序列模型，支援多變量與已知未來協變量預測

Mistral 於 10 月 15 日發布首個時間序列基礎模型系列 Timestral，公開 5M、28M、123M 與 209M 四種規模，面向感測器、需求與容量等數值預測。模型提供零樣本推論，讓團隊先用既有權重測試新資料，再判斷是否需要領域微調。官方公告

最大版本採用 24 層 Transformer，結合時間與變量注意力，每 32 個時間步組成一個 patch，並將缺值指標一起編碼。模型最多接受 32,768 個歷史時間步，單次前向運算預測 1,024 步，輸出 21 個分位數。更長的預測採分塊處理，把上一塊的中位數結果接回上下文；因此長期預測的誤差累積值得另外測試。模型卡

技術重點在於如何保留歷史與使用外部訊號。Decoupled Horizon Forecasting 讓可學習的預測 token 讀取歷史，避免把預測目標與真正缺值混為一談。注意力也區分目標、僅有歷史的協變量，以及事先已知的未來協變量，使排程或假日日曆能參與預測，同時限制目標未來值的資訊洩漏。訓練先使用純合成資料，再混入真實資料並延長上下文。技術說明

官方模型卡列出，209M 版本在 GIFT-Eval 的 MASE 為 0.658，123M 版本為 0.659；TIME 對應成績則為 0.626 與 0.628，這些指標皆是越低越好。較小版本在這兩項測試已接近最大模型，值得部署者納入成本比較。不過，這些仍是發布方提供的結果，完整技術報告尚未公開。評測表

工程團隊可透過 PyTorch 在 CPU 或 GPU 執行，權重採 Modified MIT 授權。對監控系統而言，分位數輸出可作為設定告警門檻的依據；導入前應以時間切分回測，檢查分位數覆蓋率、資料漂移，以及未來協變量是否確實能在預測當下取得。模型大小與公開榜單成績，仍不足以推定特定產線的準確率或延遲。部署與授權資訊