# Timestral от Mistral: четыре локальные модели для прогноза временных рядов

Источник: https://modelium.tech/zhurnal/mistral-timestral-local-time-series-forecasting/

Mistral выпустила Timestral в четырёх размерах — от 5M до 209M — для прогноза числовых рядов на собственном компьютере. Код работает через Python на процессоре или видеокарте. Это не чат-бот и не готовое приложение с кнопкой запуска; условия использования весов отличаются от лицензии кода.

15 октября 2026 года Mistral представила Timestral — четыре модели для прогноза числовых рядов: например, ежедневных продаж или потребления электричества. Веса и код для локального запуска доступны. Это **не чат-бот**: модель получает прошлые значения и возвращает прогноз следующих значений, в том числе диапазон возможных исходов. [s1](#src-s1) [s2](#src-s2)

## Что меняется для локального пользователя

Если вы ведёте последовательность измерений по датам, Timestral позволяет строить прогноз на собственном компьютере, не отправляя ряд в облачный сервис. Официальный код работает через PyTorch — библиотеку Python для запуска моделей — на обычном процессоре (CPU) или видеокарте (GPU); авторы опубликовали отдельные веса 5M, 28M, 123M и 209M. Для запуска нужны Python и установка библиотек, поэтому это новость о доступной модели, **не готовый домашний рецепт в графическом приложении**. Указанного производителем минимального объёма оперативной памяти для каждой конфигурации мы не нашли; размер файла весов его не заменяет. [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

Timestral работает как с одним рядом, так и с несколькими связанными показателями. Можно учитывать известные заранее обстоятельства, например календарь смен или плановое повышение нагрузки. Модель выдаёт не только центральный прогноз, но и *квантили* — границы разных вероятных сценариев; они не гарантируют, что будущее окажется внутри выбранного диапазона. Карточка описывает до 32 768 исторических шагов и до 1 024 шагов прогноза за один проход для 209M-варианта. [s2](#src-s2)

## Что именно доступно и что пока неизвестно

Все четыре официальных репозитория содержат `model.safetensors`, конфигурацию и лицензию; исходный код программы для запуска опубликован отдельно. Официальный пример берёт числовой ряд и запрашивает прогноз, выбирая CPU, если CUDA-GPU нет. Это инструкция авторов, **редакция Modelium полный запуск модели не воспроизводила**. Если хотите оценить свою задачу, начните с официальной карточки и собственного небольшого ряда: сравните прогноз с отложенными фактическими значениями, а не с выдуманным «правильным» ответом. [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

Mistral заявляет, что 209M-вариант лидировал среди рассматриваемых предобученных моделей в GIFT-Eval, TIME и fev-bench на момент выпуска. Это **оценка автора**, а не независимое измерение Modelium или обещание точности на ваших данных. Для продаж, финансов и производственных измерений отдельно проверяйте пропуски, сезонность и изменение условий: хорошая средняя оценка на чужом наборе не доказывает качество вашего прогноза. [s1](#src-s1) [s2](#src-s2)

## Можно ли использовать в коммерческом проекте

**Лицензии весов и кода различаются.** Код репозитория Mistral распространяется под Apache 2.0, а веса всех четырёх вариантов — по Modified MIT. В последней есть важное условие: права по этой лицензии не предоставляются компании (или работодателю пользователя), чья совокупная месячная выручка за предыдущий месяц превышает **20 млн долларов**; Mistral предлагает обращаться за отдельной коммерческой лицензией. Остальным нельзя автоматически считать условия весов идентичными Apache 2.0: при распространении сохраняются уведомления и текст лицензии. Проверяйте условия под свой случай до внедрения. [s5](#src-s5) [s6](#src-s6)

**Следующий шаг:** откройте [официальную карточку Timestral-209M](https://huggingface.co/mistralai/Timestral-209M) и сопоставьте её пример с вашим рядом. Для первого самостоятельного запуска понадобятся навыки работы с Python; без них пока разумнее дождаться проверенной инструкции с конкретным приложением. [s2](#src-s2)

## Источники

1. [Mistral AI — Introducing Timestral](https://mistral.ai/news/timestral/) — получено 2026-10-16
2. [Mistral AI — Timestral-209M model card, revision 9874d252](https://huggingface.co/mistralai/Timestral-209M/blob/9874d252ab0aae16f7f7c999f98f98d6ad7d8365/README.md) — получено 2026-10-16
3. [Mistral AI — Timestral-5M model card, revision bdd20cfc](https://huggingface.co/mistralai/Timestral-5M/blob/bdd20cfc15a3fea0e4cb5ccef37f8d3ca7aa335f/README.md) — получено 2026-10-16
4. [Mistral AI — Timestral source and README, commit a534bdbd](https://github.com/mistralai/timestral/tree/a534bdbd244d64f3d9d743f46c7bf6fc330ed4ff) — получено 2026-10-16
5. [Mistral AI — Timestral-209M Modified MIT model license](https://huggingface.co/mistralai/Timestral-209M/blob/9874d252ab0aae16f7f7c999f98f98d6ad7d8365/LICENSE) — получено 2026-10-16
6. [Mistral AI — Timestral Apache 2.0 code license](https://github.com/mistralai/timestral/blob/a534bdbd244d64f3d9d743f46c7bf6fc330ed4ff/LICENSE) — получено 2026-10-16