A Mistral AI lançou a 15 de outubro de 2026 o Timestral, a sua primeira família de modelos de fundação para séries temporais. A linha chega em quatro tamanhos: 5M, 28M, 123M e 209M parâmetros. Segundo a empresa, o maior checkpoint fica em primeiro lugar nos três principais benchmarks públicos da área, GIFT-Eval, TIME e fev-bench, com cerca de dois terços dos parâmetros do anterior estado da arte que cita.
O Timestral faz previsões probabilísticas e multivariadas e pode condicionar-se a covariáveis só do passado ou a covariáveis futuras já conhecidas, como calendários ou planos de produção. A Mistral coloca a família na fronteira de Pareto entre precisão e tamanho: cada tamanho, afirma, não é ultrapassado por modelos públicos com a mesma pegada. Os resultados foram submetidos às tabelas GIFT-Eval e TIME.
A receita técnica junta pré-treino sintético, atenção sensível a covariáveis e aprendizagem de contexto longo. A empresa diz que a inferência corre de forma eficiente em CPU e que o desempenho zero-shot é forte quando há pouca história etiquetada num domínio novo. A adaptação setorial passa pelo ajuste fino no Mistral Forge, em vez de treinar um preditor do zero para cada caso.
A motivação empresarial é prática. Telemetria de sensores, métricas de observabilidade, cargas energéticas, fluxos de cadeia de abastecimento e volumes financeiros são séries que alimentam decisões de planeamento. Ferramentas clássicas como ARIMA continuam úteis numa só série, e modelos profundos especializados como PatchTST aprendem entre séries relacionadas, mas costumam não transferir em zero-shot para um domínio novo como um modelo de fundação pretende.
Em GIFT-Eval e TIME, a Mistral reporta que o modelo de 28M ultrapassa o Chronos-2 apesar de ser cerca de quatro vezes mais pequeno, e que o de 209M ultrapassa TimesFM-3 e Falcon-2.0 com menos parâmetros. São comparações reportadas pelo fornecedor a partir de um único checkpoint sem ensemble; este pacote trata-as como resultados atribuídos, não como pontuações reexecutadas de forma independente.
Os pormenores de disponibilidade no anúncio sublinham inferência amigável a CPU e a mesma arquitetura nos quatro tamanhos. Os modelos mais pequenos trocam alguma precisão por velocidade e custo; os maiores empurram a qualidade da previsão. A Mistral apresenta a família como ponto de partida para equipas industriais e financeiras que preferem um prior geral a treinar uma rede à medida para cada fábrica ou linha de produto.
A Mistral sublinha ainda que todos os tamanhos partilham a mesma arquitetura e receita de treino, o que permite subir ou descer na família sem redesenhar prompts nem o fluxo de ajuste fino. Isso conta para fábricas e mesas financeiras que queiram um modelo pequeno em CPU na periferia da planta e um irmão maior no planeamento central.
Ficam por esclarecer o empacotamento exacto de descarga e API, os termos de licença para além do resumo do blog e a velocidade com que espelhos de terceiros confirmarão as classificações submetidas. Mesmo assim, a primeira família de fundação para séries temporais de um grande laboratório europeu é um acontecimento de produto concreto para quem trabalha com telemetria e planeamento.