Mistral AI a publié le 15 octobre 2026 Timestral, sa première famille de modèles de fondation pour séries temporelles. La gamme compte quatre tailles: 5M, 28M, 123M et 209M paramètres. Selon l'entreprise, le plus grand checkpoint arrive en tête des trois principaux benchmarks publics du domaine, GIFT-Eval, TIME et fev-bench, avec environ deux tiers des paramètres de l'état de l'art précédent qu'elle cite.
Timestral fournit des prévisions probabilistes et multivariées, et peut s'appuyer sur des covariables passées seulement ou sur des covariables futures déjà connues, comme des calendriers ou des plans de production. Mistral place la famille sur le front de Pareto précision versus taille: chaque taille serait imbattue parmi les modèles publics à empreinte comparable. Les résultats ont été soumis aux classements GIFT-Eval et TIME.
La recette technique combine pré-entraînement synthétique, attention sensible aux covariables et apprentissage à long contexte. Mistral affirme que l'inférence tourne efficacement sur CPU et que le zéro-shot est solide quand un nouveau domaine manque d'historique étiqueté. L'adaptation métier passe par le fine-tuning via Mistral Forge, plutôt que par un entraînement from scratch à chaque fois.
La motivation entreprise est concrète. Télémétrie capteurs, métriques d'observabilité, charges énergétiques, flux logistiques et volumes financiers sont autant de séries qui nourrissent la planification. Des outils classiques comme ARIMA restent utiles sur une série unique, et des modèles profonds spécialisés comme PatchTST apprennent entre séries liées, mais transfèrent rarement en zéro-shot vers un nouveau domaine comme le vise un modèle de fondation.
Sur GIFT-Eval et TIME, Mistral indique que son modèle 28M bat Chronos-2 tout en étant environ quatre fois plus petit, et que le 209M bat TimesFM-3 et Falcon-2.0 avec moins de paramètres. Ce sont des comparaisons rapportées par l'éditeur à partir d'un seul checkpoint sans ensembling; ce dossier les traite comme résultats attribués, non comme scores rejoués indépendamment.
Les détails de disponibilité insistent sur une inférence adaptée au CPU et une architecture commune aux quatre tailles. Les petits modèles échangent un peu de précision contre la vitesse et le coût; les grands poussent la qualité de prévision. Mistral présente la famille comme point de départ pour des équipes industrielles et financières qui préfèrent un prior général à un réseau sur mesure par usine ou gamme.
Mistral souligne aussi que toutes les tailles partagent la même architecture et la même recette d'entraînement, ce qui permet de monter ou descendre dans la famille sans refaire prompts ni pipeline de fine-tuning. Cela compte pour des usines et des desks finance qui veulent un petit modèle CPU en bord d'atelier et un frère plus grand dans la planification centrale.
Restent à préciser l'emballage exact téléchargement et API, les termes de licence au-delà du résumé du billet, et la vitesse à laquelle des miroirs tiers confirmeront les classements soumis. Même avec ces réserves, une première famille de fondation pour séries temporelles venue d'un grand laboratoire européen est un événement produit tangible pour qui travaille sur la télémétrie et la planification.