Mistral、時系列予測に特化した基盤モデル群「Timestral」を発表
Mistral AIは2026年10月15日、確率的・多変量の時系列予測に特化した初の基盤モデルファミリー「Timestral」を発表しました。同社によれば、ファミリー内のすべてのサイズが「精度とモデルサイズのパレートフロンティア」上に位置し、より大規模な専門特化型の予測モデルを上回る性能を、完全にCPU上の動作で実現しているといいます。
詳細
- 4つのモデルサイズ: 5M、28M、123M、209Mパラメータの4サイズを展開。いずれも同一のアーキテクチャと学習手法を共有
- ベンチマーク結果: 209Mモデルは、主要な公開予測ベンチマークであるGIFT-Eval、TIME、fev-benchの3つすべてで首位を獲得（単一チェックポイントによる結果で、アンサンブルは使用せず）。28MモデルはChronos-2（約4倍の規模）をGIFT-EvalとTIMEで上回り、209MモデルはTimesFM-3やFalcon-2.0をより少ないパラメータ数で上回ったとされる
- GPU不要: 標準的な8スレッドCPUサーバー上で、15分間隔の3週間分の履歴データから1日先を予測する場合、5Mモデルで約10ミリ秒、209Mモデルで約140ミリ秒の処理時間
- 主な機能: 21分位点による確率的予測を出力し、複数の関連する時系列を同時にモデル化。カテゴリ変数、過去のみの共変量、将来既知の共変量（スケジュールや天気予報など）に対応し、コンテキスト長は32,768タイムステップ
- 技術的アプローチ: 学習済みの予測トークンを用いて履歴全体をシーケンス内に保持する「Decoupled Horizon Forecasting」と、ターゲットの因果性を保ち将来の情報が予測に漏れ出さないようにする共変量対応アテンション機構を導入。学習データは主に合成データで、事前学習と事後学習の2段階パイプラインを採用
- 提供形態: Hugging Faceコレクションおよび「Modified MIT」ライセンスのGitHubリポジトリでオープンウェイトとして公開。Mistral Forge経由でゼロショット推論、ファインチューニング、アーキテクチャのカスタマイズが可能。オンプレミス、VPC、エアギャップ環境でのデプロイに対応。価格は非公開
- 想定用途: Mistralは、Timestralがセンサーデータの異常を継続的に監視し、Mistralの言語モデルと連携したエージェント型ワークフローへ引き継いで根本原因分析や診断を行う産業向けシナリオを例示している
その後
Timestralは、これまでAmazonのChronosやGoogleのTimesFMといった専門特化型プレイヤーが主導してきた時系列予測モデルの領域に、汎用LLMベンダーであるMistralが参入したことを意味します。ウェイトをオープンソース化し、CPUのみでの推論を強調することで、同社は言語モデル群を置き換えるのではなく補完する形で、レイテンシとコストに敏感な産業・企業向けのセンサー監視や需要予測といった運用ユースケースにこのファミリーを位置づけています。詳細な技術レポートは今後公開予定とされていますが、発表時点ではまだ公開されていません。