Timestral от Mistral: четыре локальные модели для прогноза временных рядов

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 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 s3 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

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 s3 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 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 s6

Следующий шаг: откройте официальную карточку 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