Mistral ha presentado Timestral, su primera familia de modelos de fundación para series temporales, diseñada para ofrecer predicciones probabilísticas y multivariadas de alta precisión. El modelo más grande de la familia, con 209 millones de parámetros, lidera en tres principales benchmarks públicos (GIFT-Eval, TIME y fev-bench) superando a modelos anteriores con solo dos tercios de los parámetros necesarios. Esta solución destaca por su eficiencia, ejecutándose en CPUs estándar sin necesidad de GPU para la inferencia, lo que permite predecir un día a futuro en 140 milisegundos en servidores con 8 hilos.
Timestral se compone de cuatro tamaños (5M, 28M, 123M y 209M parámetros) que optimizan el equilibrio entre precisión y velocidad. A diferencia de los modelos de aprendizaje profundo tradicionales, que suelen entrenarse desde cero para cada conjunto de datos, Timestral utiliza un enfoque de pre-entrenamiento en datos sintéticos para transferir patrones a nuevos dominios, permitiendo predicciones de cero-shot en datos escasos. La arquitectura incorpora atención consciente de covariables, lo que permite manejar entradas futuras conocidas, como calendarios de vacaciones o pronósticos del tiempo, sin contaminar la predicción. Además, soporta covariables categóricas directamente. Los casos de uso incluyen la planificación de capacidad, gestión de la cadena de suministro y mantenimiento industrial, donde el modelo puede integrarse en pipelines de monitoreo para detectar anomalías y generar diagnósticos con evidencia de datos de sensores.