Timestral: o modelo de séries temporais da Mistral

Ver no idioma original →

Autoria: Data Science in your pocket · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Timestral Mistral Time Series LLM · Canal: Data Science in your pocket · 07:16 · Assistir no YouTube

Tópicos: Agentes de IA, Avaliação e benchmarks de IA, Inferência e otimização de modelos, Modelos de IA

Resumo

O vídeo apresenta Timestral, uma família de modelos de séries temporais da Mistral com quatro tamanhos, de 5 milhões a 209 milhões de parâmetros. Segundo os resultados apresentados, os modelos lideram cinco métricas em três benchmarks públicos de previsão, sem uso de ensemble, e podem executar inferências em CPU em milissegundos. O vídeo explica recursos como previsões probabilísticas, uso de covariáveis e treinamento inicialmente baseado em dados sintéticos. Também aborda aplicações em sistemas com agents e ressalvas sobre licença, documentação e evidências de uso em produção.

Pontos-chave

• Timestral tem quatro tamanhos: 5 milhões, 28 milhões, 123 milhões e 209 milhões de parâmetros, todos com a mesma arquitetura e receita de treinamento.
• A Mistral afirma que Timestral ficou em primeiro lugar em cinco métricas de três benchmarks públicos, entre modelos pré-treinados avaliados em zero-shot.
• Os resultados citados vêm de um único checkpoint, sem combinar várias execuções por meio de ensemble.
• O vídeo destaca eficiência: o modelo pode executar previsões em CPU, e o modelo de 28 milhões de parâmetros supera modelos maiores em algumas comparações.
• Timestral oferece previsão multivariada, previsões probabilísticas com 21 quantis, covariáveis categóricas e covariáveis futuras conhecidas.
• A arquitetura mantém o histórico observado no contexto e usa tokens de previsão aprendidos para representar os trechos futuros.
• O treinamento começa com dados sintéticos e depois combina dados reais e sintéticos, ampliando o contexto de 8 mil para 32.768 passos temporais.
• A Mistral descreve um uso integrado a sistemas com agents para monitorar sensores, investigar falhas anteriores e produzir diagnósticos.
• Entre as ressalvas estão a licença modificada MIT sem detalhes sobre as modificações, a ausência de relatório técnico completo e a falta de estudos de caso de clientes.

Capítulos

Início	Capítulo	Resumo
00:00	Apresentação de Timestral e contexto	O vídeo apresenta a família de modelos e explica a importância das séries temporais em aplicações empresariais.
01:31	Benchmarks e eficiência	São apresentados os resultados em benchmarks e comparações de desempenho e tamanho com modelos concorrentes.
03:35	Inferência em CPU e recursos	O vídeo descreve tempos de inferência e recursos como previsão multivariada, probabilística e uso de covariáveis.
05:11	Arquitetura e treinamento	A explicação aborda o fluxo de informação entre séries, a previsão por quantis e o treinamento com dados sintéticos e reais.
06:12	Aplicações, disponibilidade e ressalvas	O vídeo discute integração com sistemas agentic, opções de adaptação e limitações das informações divulgadas no lançamento.

Citações

209 milhões de parâmetros. Não bilhões, milhões. — 00:00

Um modelo, uma execução, no topo da tabela. — 02:03

Timestral não precisa de GPU. — 03:35

A maioria dos dados de treinamento de Timestral não era do mundo real. Foi gerada. — 05:42

É o primeiro dia: impressionante, mas ainda é o primeiro dia. — 07:16

Conceitos e entidades

• Timestral (modelo): Família de modelos de séries temporais da Mistral apresentada no vídeo, com quatro tamanhos e suporte a previsões zero-shot.
• Mistral (empresa): Empresa que desenvolveu Timestral e apresenta seus resultados e possibilidades de uso.
• Mistral Forge (ferramenta): Pipeline de treinamento mencionado como opção para adaptar modelos e executá-los em hardware próprio.
• ARIMA (conceito): Família de modelos clássicos de séries temporais que, segundo o vídeo, aprende a partir de uma série por vez.
• PatchTST (modelo): Modelo de deep learning para séries temporais citado como exemplo de abordagem que aprende padrões mais ricos, mas requer treinamento para novos conjuntos de dados.
• TimesFM 3.0 (modelo): Modelo de séries temporais usado no vídeo para comparar desempenho e estratégias de previsão com Timestral.
• GIFT-Eval (conceito): Benchmark de previsão de séries temporais citado na comparação de resultados; a transcrição também menciona a métrica GIFT Val.
• Time benchmark (conceito): Benchmark de previsão citado entre as avaliações usadas para comparar Timestral com outros modelos.
• Fев Bench (conceito): Benchmark mencionado na transcrição como Feb Bench, usado para avaliar previsões de séries temporais.
• Hugging Face (empresa): Plataforma onde, segundo o vídeo, os pesos de Timestral estão disponíveis.

Tradução completa (pt-BR)

00:00 209 milhões de parâmetros. Não bilhões, milhões. E esse modelo minúsculo acabou de conquistar o primeiro lugar nos três principais benchmarks de previsão de séries temporais do mundo. Esta é a primeira família de modelos fundacionais de séries temporais da Timestral, lançada em 15 de outubro de 2026. E pode ser o lançamento de modelo fundacional mais eficiente do ano. Vamos entender. Séries temporais são, discretamente, o tipo de dado mais comum

00:30 nas empresas. Telemetria de sensores, métricas de servidores, preços de eletricidade, números de vendas: tudo isso são séries temporais. E as previsões feitas com esses dados orientam decisões reais: planejamento de capacidade, comercialização de energia, cadeias de suprimentos e manutenção preditiva. Por décadas, modelos clássicos como ARIMA aprendiam com uma série de cada vez. Depois, modelos profundos como PatchTST aprenderam padrões mais ricos, mas ainda precisavam ser treinados do zero em cada novo conjunto de dados. Sem transferência.

01:01 Os modelos fundacionais de séries temporais mudaram isso. Faça o pré-treinamento uma vez em um corpus enorme e diversificado e, depois, gere previsões zero-shot para dados que nunca viram. Timestral não é um único modelo: são quatro. 5 milhões, 28 milhões, 123 milhões e 209 milhões de parâmetros. Os quatro compartilham exatamente a mesma arquitetura e receita de treinamento. Você só escolhe seu ponto na curva de precisão versus velocidade. E a Mistral afirma que todos os tamanhos ficam na fronteira de Pareto em cada

01:31 quantidade de parâmetros. Nenhum modelo público faz previsões melhores. O menor deles, com 5 milhões de parâmetros, é realmente minúsculo, pequeno o bastante para funcionar dentro de um gateway de sensores. Agora, as afirmações. A Mistral avaliou Timestral nos três principais benchmarks públicos de previsão: GIFT-Eval, Time e Fev Bench. Entre os modelos pré-treinados e zero-shot, Timestral fica em primeiro lugar nas cinco métricas. E aqui está a parte que mais gosto nesses resultados: eles vêm de um único checkpoint, sem truques de ensemble.

02:03 Sem tirar a média de 10 execuções. Um modelo, uma execução, no topo da tabela. Vamos conferir o placar. Na métrica de precisão do GIFT-Eval, a média geométrica do erro absoluto médio, Timestral marca 0,657, superando por pouco o T0 Gamma e o TimesFM3 do Google. Na métrica probabilística, WQL, marca 0,446, novamente em primeiro lugar. No benchmark Time, marca 0,626 de erro absoluto médio e

02:35 0,522 de CRPS, ambos em primeiro lugar. E no FEV Bench, na pontuação de previsão, em que quanto maior, melhor, marca 50,4, à frente do TimesFM3 e do Chronos 2, da Amazon. Cinco métricas, cinco vitórias contra os modelos do Google, da Amazon, da Huawei, da LG e da IBM. Mas a verdadeira história não são as vitórias brutas nos rankings: é a eficiência. Este gráfico mostra o erro de previsão em relação ao tamanho do modelo, em escala logarítmica, e a linha laranja é a família Timestral.

03:05 Ela fica abaixo de toda a fronteira de Pareto anterior. Em outras palavras, o Timestral de 28 milhões de parâmetros supera o Chronos 2, um modelo cerca de quatro vezes maior. O modelo de 209 milhões supera o TimesFM3 e o Falcon 2.0 com menos parâmetros. A Mistral diz que o maior modelo iguala o estado da arte anterior com aproximadamente dois terços dos parâmetros, embora não diga exatamente contra qual modelo essa comparação foi feita.

03:35 E aqui está o número que importa para o deploy: Timestral não precisa de GPU nenhuma. Em uma CPU de servidor padrão com oito threads, prever um dia à frente a partir de três semanas de histórico com intervalos de 15 minutos leva 10 milissegundos com o modelo de 5 milhões e 140 milissegundos com o de 209 milhões. O modelo de 28 milhões é cinco vezes mais rápido que o maior. E o de 123 milhões chega a menos de 0,2% da pontuação máxima com três quartos da latência. Então, o que ele consegue fazer de verdade? Quatro coisas que vale a pena conhecer.

04:07 Primeiro, previsão multivariada. Ele modela séries relacionadas em conjunto, como vibração, temperatura e pressão de uma bomba. Segundo, previsões probabilísticas. Não apenas uma linha, mas 21 quantis. Uma faixa completa de incerteza para decisões que consideram o risco. Terceiro, covariáveis categóricas prontas para uso. Dia da semana, estado da máquina, em funcionamento ou ociosa, sem codificação manual. E quarto, covariáveis futuras conhecidas. Forneça a programação da produção ou a previsão do tempo, e uma parada planejada deixa de parecer uma anomalia.

04:40 A demonstração ao vivo do blog mostra exatamente isso com os preços da eletricidade na Alemanha e a carga, a energia solar e a eólica como covariáveis. Por trás do modelo, três ideias são importantes. Primeiro, previsão de horizonte desacoplada. Modelos como o TimesFM3 mascaram os valores que devem prever, fazendo com que pareçam dados ausentes. Timestral, em vez disso, mantém todo o histórico no contexto e usa tokens de previsão aprendidos para os segmentos futuros. Cada valor observado serve tanto como alvo quanto como contexto.

05:11 Segundo, atenção que considera covariáveis. Cada série de entrada recebe um alvo móvel, uma covariável passada apenas ou uma covariável futura conhecida, e a informação flui somente das covariáveis para os alvos. Assim, o modelo pode usar um calendário de feriados sem vazar informações do futuro. Terceiro, uma camada de quantis treinada com a função de perda pinball. A receita de treinamento é a outra surpresa. Primeiro, dados sintéticos. A maior parte dos dados de treinamento do Timestral não era de modo algum do mundo real: foi gerada. Processos univariados com

05:42 tendências, sazonalidade e ruído variado. Depois, um sintetizador multivariado adicionou dependências não lineares entre as séries. O treinamento ocorre em duas etapas: pré-treinamento apenas com dados sintéticos e contexto de 8.000 etapas; depois, pós-treinamento com uma mistura de dados reais e sintéticos e um contexto quatro vezes mais longo, totalizando 32.768 etapas temporais. A aposta maior da Mistral é usar Timestral como componente em sistemas agênticos. No exemplo da empresa, Timestral monitora

06:12 fluxos de dados de sensores de uma fábrica e sinaliza anomalias. Um agent baseado em modelo de linguagem compara o sinal com falhas anteriores, subagents vasculham registros de manutenção e manuais, e o gerente da fábrica recebe um diagnóstico e um plano, não apenas um alerta. E, quando os benchmarks não são suficientes, há o Mistral Forge, o mesmo pipeline de treinamento por trás dos modelos de linguagem da empresa: zero-shot pronto para uso, extensões arquiteturais, fine-tuning com seus dados proprietários, controle total sobre a mistura de treinamento e a possibilidade de executar o pipeline inteiro no seu próprio hardware, até mesmo sem conexão com redes externas.

06:46 Agora, as letras miúdas, porque sempre há letras miúdas. A licença é uma MIT modificada, e o blog nunca diz o que foi modificado. Não há preços de API, nome de endpoint, números de uso de memória, e o relatório técnico completo será publicado depois. Ainda não está disponível. As afirmações de primeiro lugar se aplicam a modelos pré-treinados e zero-shot, e os gráficos mostram os 10 primeiros, não os rankings completos. Não há clientes mencionados nem estudos de caso de deploy.

07:16 Este é o primeiro dia: impressionante, mas ainda é o primeiro dia. Então, temos um modelo de 209 milhões de parâmetros, em primeiro lugar em todos os principais benchmarks, rodando em uma CPU em milissegundos, com pesos no Hugging Face e um repo no GitHub disponíveis hoje. Para quem trabalha com previsão, vale dedicar uma tarde a ele. Esse é o Timestral. Se esta análise foi útil, inscreva-se no Data Science in Your Pocket. Os links estão abaixo. Até a próxima.

Transcrição original

[00:00] 209 million parameters. Not billion, million. And this tiny model just took the number one spot on all three of the world’s main time series forecasting benchmarks. This is Time Mistral’s first ever family of time series foundation models, released October 15th, 2026. And it might be the most efficient foundation model release of the year. Let’s break it down. Time series is quietly the most common

[00:30] data type in the enterprise. Sensor telemetry, server metrics, electricity prices, sales figures, it’s all time series. And forecasts built on it drive real decisions, capacity planning, energy trading, supply chains, predictive maintenance. For decades, classical models like ARIMA learn from one series at a time. Then deep models like PatchTST learn richer patterns, but still had to be trained from scratch on every new data set. No transfer.

[01:01] Time series foundation models changed that. Pre-train once on a huge, diverse corpus, then forecast data they’ve never seen in zero-shot. Time-ASTRAL isn’t one model, it’s four. 5 million, 28 million, 123 million, and 209 million parameters. All four share the exact same architecture and training recipe. You just pick your point on the accuracy versus speed curve. And Mistral claims every single size sits on the Pareto front at each

[01:31] parameter count. No public model forecasts better. The smallest one, 5 million parameters, is genuinely tiny, small enough to live inside a sensor gateway. Now, the claims. Mistral evaluated Time-ASTRAL on the three main public forecasting benchmarks, Gift N Bell, Time, and Feb Bench. Among pre-trained, zero-shot models, Time-ASTRAL ranks first across all five metrics. And here’s the part one like these results come from a single checkpoint with no ensembling tricks.

[02:03] No averaging 10 runs together. One model, one run, top of the table. Let’s read the scoreboard. On Gift Val point accuracy, geometric mean maze, Timestral scores 0.657, edging out T0 gamma and Google’s Times FM3. On the probabilistic metric, WQL 0.446, again first. On the time benchmark, 0.626 maze and

[02:35] 0.522 CRPS, both number one. And on Feb bench is still score, where higher is better, 50.4 ahead of Times FM3 and Amazon’s Chronos 2. Five metrics, five wins against Google, Amazon, Huawei, LG, and IBM’s entries. But raw leaderboard wins aren’t the real story, efficiency is. This chart plots forecast error against model size, log scale, and the orange line is the Timestral family.

[03:05] It sits below the entire previous Pareto front. Translate that, the 28 million parameter Timestral beats Chronos 2, a model about four times larger. The 209M beats Times FM3 and Falcon 2.0 with fewer parameters. Mistral says the largest model matches the previous state of the art with roughly 2/3 the parameters, though they don’t name exactly which model that’s measured against.

[03:35] And here’s the number that matters for deployment, Timestral doesn’t need a GPU at all. On a standard server CPU with eight threads, forecasting one day ahead from three weeks of 15-minute history takes 10 milliseconds with the 5M model and 140 milliseconds with the 209M. The 28M is five times faster than the largest. And the 123M comes within 0.2% of the top score at 3/4 of the latency. So, what can it actually do? Four things worth knowing.

[04:07] One, multivariate forecasting. It models related series jointly like pump vibration, temperature, and pressure together. Two, probabilistic forecasts. Not just one line, but 21 quantiles. A full uncertainty band for risk-aware decisions. Three, categorical covariates out of the box. Day of week, machine state, running or idle, no manual encoding. And four, known future covariates. Feed it the production schedule or the weather forecast, and a planned shutdown stops looking like an anomaly.

[04:40] The blog’s live demo shows exactly this on German electricity prices with load and solar and wind as covariates. Under the hood, three ideas matter. First, decoupled horizon forecasting. Models like TimesFM3 mask the values they’re supposed to predict, which makes them look like missing data. Timestral instead keeps the full history in context and uses learned prediction tokens for the future patches. Every observed value serves as both target and context.

[05:11] Second, covariate-aware attention. Every input series gets a rolling target, past only covariate, or known future covariate, and information flows only from covariates to targets. So, it can use a holiday calendar without leaking the future. Third, a quantile head trained with pinball loss. The training recipe is the other surprise. It’s synthetic first. The majority of Timestral’s training data wasn’t real-world data at all. It was generated. Univariate processes with

[05:42] trends, seasonality, and diverse noise. Then a multivariate synthesizer added non-linear dependencies between series. Training happens in two stages, pre-training on purely synthetic data with an 8,000 step context, then post-training on a mix of real and synthetic data with four times longer context, 32,768 time steps in total. Mistral’s bigger play, Timestral as a component in agentic systems. Their example, Timestral monitors plant

[06:12] sensor streams and flags anomalies. A language model agent compares the signal against past failures, sub-agents dig through maintenance logs and manuals, and the plant manager gets a diagnosis and a plan, not just an alert. And when benchmarks aren’t enough, there’s Mistral Forge, the same training pipeline behind their language models, zero-shot out of the box, architectural extensions, fine-tuning on your proprietary data, full control over the training mix, and the whole pipeline can run on your own hardware, even air-gapped.

[06:46] Now the fine print, because there’s always fine print. The license is modified MIT, and the blog never says what was modified. There’s no API pricing, no endpoint name, no memory footprint numbers, and the full technical report will follow. It’s not out yet. The number one claims are scoped to pre-trained zero-shot models, and the charts show top 10s, not full leaderboards. No named customers, no deployment case studies.

[07:16] This is day one, impressive, but day one. So a 209 million parameter model, number one on every major benchmark, running on a CPU in milliseconds, with weights on Hugging Face and a GitHub repo today. For anyone doing forecasting, this is worth an afternoon. That’s Timestral. If this breakdown helped, subscribe to Data Science in Your Pocket, links below. See you in the next one.