10 月 15 日，法国 AI 公司 Mistral 发布了其首个时间序列预测模型家族 Timestral。这是一款专门处理“数字随时间变化”的基础模型：传感器读数、网站流量、用电量、每日销量——把历史数据交给它，它就能预测未来。与以往的语言、图像模型不同，Timestral 的舞台是预测数字序列。
该家族包含四个规模：Timestral-5M、Timestral-28M、Timestral-123M 和 Timestral-209M，参数量从 500 万到 2.09 亿。四种规模共享同一架构和训练配方，全部为零样本设计，即无需在用户数据上先训练即可直接预测。据官方数据，Timestral-209M 在 GIFT-Eval、TIME 和 fev-bench 三大公开预测评测中，均在预训练和零样本模型中排名第一。
小到可以在 CPU 上跑
Timestral 的最大卖点之一是推理成本极低。它无需 GPU 即可运行，官方给出的数据显示，在 8 线程服务器 CPU 上，用三周 15 分钟粒度历史数据预测未来一天，最小 5M 模型的推理耗时仅 10 毫秒，最大 209M 模型为 140 毫秒。最小模型的 FP32 权重仅 21MB，几乎可以装进任何设备。
在功能上，Timestral 支持最多 32768 步的历史输入，单次前向预测最多 1024 步；每次预测输出 21 个分位数（从 0.01 到 0.99），给出每个时间步的可能值区间，从而量化预测的不确定性。它还支持单变量与多变量联合预测，以及历史协变量、未来已知协变量（如节假日、促销计划）和分类协变量，缺失值以 NaN 标记直接输入。
开源策略：代码 Apache 2.0，权重有营收门槛
在开源许可方面，Mistral 采用了“双层”策略：GitHub 仓库中的推理代码以 Apache 2.0 协议开源，开发者只需安装 PyTorch、NumPy、safetensors 和 huggingface_hub 即可运行；而模型权重则在 Hugging Face 上以 Modified MIT 协议发布，该协议附加了一条营收门槛——如果公司上一月度的全球月营收超过 2000 万美元，则无权使用权重。
这一许可设计延续了 Mistral 近年来的务实路线：既让中小企业和研究者免费使用，又为商业化保留空间。对于工业场景的客户，Mistral 还提供通过其 Forge 平台对模型进行微调的服务，支持在客户自有硬件甚至物理隔离环境中部署。
预测智能体的基础设施之争
从行业视角看，Timestral 的发布标志着基础模型竞赛进入了新的细分领域。当大语言模型的参数规模竞争趋于饱和，垂直领域的专用基础模型正成为新的增长点。时间序列预测广泛应用于能源调度、供应链、金融风控等场景，一个高精度、易部署的开源预测模型，有望像当年的开源语言模型一样降低行业门槛。
值得注意的是，Mistral 官方文档目前将 Timestral 1.0 标注为“Public Preview”，尚未公布 API 定价，当前只能下载自行部署。完整的评测技术报告也尚未发布。预测模型的可解释性、长周期外推的稳定性等课题，仍待社区在实际应用中进一步检验。