Mistral AI 推出了其首个时间序列基础模型（TSFM）家族 Timestral。与通常拟合于单一数据序列的 ARIMA 等经典预测工具，或通常为特定数据集从头开始训练的 PatchTST 等深度学习模型不同，Timestral 使用基础模型方法。通过在大型且多样化的语料库上进行预训练，该模型可以学习到可应用于新领域的底层模式，即使在历史数据稀缺的情况下也能以零样本（zero-shot）方式进行应用。
Timestral 家族包含四个模型，参数量从 5M 到 209M 不等。Mistral 声称，其 209M 参数的模型在三个主要的公共基准测试——GIFT-Eval、TIME 和 fev-bench 上实现了最先进的性能，而其参数量仅为某些竞争模型的三分之二。Timestral 的一个关键技术区别是其“解耦预测视界”（Decoupled Horizon Forecasting, DHF）机制。与一些使用连续块掩码（将预测值视为缺失上下文）的其他模型不同，DHF 将完整历史保留在序列中，允许学习到的预测标记在它们之前读取整个历史。这确保了每一个观测值既作为目标又作为上下文，而真实的缺口仍被标记为缺失。
Timestral 家族包含四个模型，参数量从 5M 到 209M 不等。
Mistral 声称，其 209M 参数的模型在三个主要的公共基准测试——GIFT-Eval、TIME 和 fev-bench 上实现了最先进的性能，而其参数量仅为某些竞争模型的三分之二。
Mistral 声称，其 209M 参数的模型在三个主要的公共基准测试——GIFT-Eval、TIME 和 fev-bench 上实现了最先进的性能，而其参数量仅为某些竞争模型的三分之二。
Mistral 声称，其 209M 参数的模型在三个主要的公共基准测试——GIFT-Eval、TIME 和 fev-bench 上实现了最先进的性能，而其参数量仅为某些竞争模型的三分之二。
Mistral 声称，其 209M 参数的模型在三个主要的公共基准测试——GIFT-Eval、TIME 和 fev-bench 上实现了最先进的性能，而其参数量仅为某些竞争模型的三分之二。
除了标准预测，Timestral 还支持多变量目标，以及仅包含过去信息和已知未来协变量。例如，在工业环境中，该模型可以联合预测相关的传感器数据——如泵的振动和温度——同时以已知的未来变量（如生产计划或天气预报）作为条件。为了处理非数值数据，例如机器状态（如“闲置”或“维护”），Timestral 直接接受类别输入。这些模型旨在追求高效，209M 版本能够在没有 GPU 的标准服务器 CPU 上运行。虽然这些模型可用于零样本推理，但 Mistral 也通过 Mistral Forge 提供微调流水线，供需要将模型适配到专有领域数据或特定架构扩展的机构使用。