Mistral AI、時系列予測の基盤モデル群「Timestral」を発表

Mistral AI は2026年7月15日、時系列予測の基盤モデル群「Timestral」を発表した。確率的な多変量予測に対応し、複数のサイズで提供される。

Mistral AI は2026年7月15日、同社初となる時系列基盤モデルのファミリー「Timestral」を発表した。同社によれば、最大モデルは GIFT-Eval、TIME、fev-bench の3つの主要な公開ベンチマークで第1位となっている。

発表内容

Timestral は5M、28M、123M、209Mパラメータの4サイズで提供される。4サイズは同じアーキテクチャと学習レシピを共有する。ライセンスは Modified MIT と記載されている。

GitHub リポジトリが公開されており、ユーザーは自身のデータで Timestral を実行できる。技術レポートは今後公開される予定である。

性能と推論速度

同社によれば、209Mモデルは従来の最先端モデルをパラメータ数の3分の2で上回った。個別のモデルの比較結果は次のとおりである。

• 28Mモデルは、約4倍の規模の Chronos-2 を GIFT-Eval と TIME で上回ったとされる。
• 123Mモデルのスコアは209Mモデルとの差が0.2%であり、レイテンシは209Mモデルの4分の3である。
• 28Mモデルは209Mモデルより5倍速い。

標準的なサーバーCPU（8スレッド）で、3週間分の15分間隔の履歴から1日先を予測する場合、推論時間は5Mモデルが10ms、209Mモデルが140msである。推論にGPUは必要ないとされる。

リーダーボードでは、次の結果を得ている。

• GIFT-Eval：事前学習済みかつゼロショットの比較可能な83件中、上位10位以内に入った。
• TIME：35件のリーダーボードで上位10位以内に入った。
• fev-bench：SQL skill score で37件中、上位10位以内に入った。

GIFT-Eval と TIME のリーダーボードには結果が提出されている。

機能と学習手法

Timestral は確率的かつ多変量の予測を出力し、過去のみの共変量と既知の将来の共変量に対応する。カテゴリ変数は数値に変換せず、カテゴリ入力として直接扱う。目的関数は21分位点の pinball loss である。

学習は2段階で行われた。事前学習は文脈長8192で純粋な合成データを用いて実施され、事後学習では実データと合成データの混合を用いて、4倍長い文脈長で実施された。仕様表に記載された文脈長は32,768 time steps である。

Mistral Forge では次の機能が提供される。

• ゼロショット推論
• アーキテクチャの拡張
• 自社データでのファインチューニング
• 学習データの管理

パイプライン全体はエアギャップ環境を含むクライアントのハードウェアに配備できる。単一の予測値では全体像を示せない可能性がある。

筆者の見立て

• 時系列モデルの長期的な価値は、域内データへの適応と、分布の変化に応じた再学習の継続にあると論じている。
• カテゴリ共変量を数値として符号化すると、それらが持たない順序や尺度を課すことになると解釈している。

この記事は元記事の事実のみに基づいて自動生成されました。

出典

Mistral AI「Timestral: Mistral's First Family of Time-Series Foundation Models」 https://mistral.ai/news/timestral/ （TIME leaderboard、fev-bench の報道による）