Mistral Timestral spår tidsserier på CPU, og 209M-versjonen topper tre benchmarker

«for each model size, no public model forecasts better» — Mistral AI, i lanseringsposten

Det er påstanden Mistral AI gjør om Timestral, selskapets første familie av fundamentmodeller for tidsserier. Modellene kommer i fire størrelser, 5M, 28M, 123M og 209M parametere, og spår zero-shot på data de aldri har sett. Den største er ifølge Mistral nummer én på alle de tre store offentlige benchmarkene, GIFT-Eval, TIME og fev-bench, med to tredjedeler av parameterne til forrige toppmodell.

Marginene er små. På GIFT-Eval får Timestral-209M en MASE på 0,658 mot 0,661 for t0-gamma og 0,667 for TimesFM-3, der lavere er bedre. Mistral har sendt resultatene inn til GIFT-Eval- og TIME-leaderboardene, og den tekniske rapporten er ennå ikke ute, så tallene er foreløpig Mistrals egne.

Størrelsen gjør modellene interessante for hjemmelaben. Mistral oppgir at det tar 10 ms med 5M-modellen og 140 ms med 209M-modellen å spå ett døgn fram fra tre uker med 15-minutters historikk, på en vanlig server-CPU med 8 tråder. 28M-modellen er fem ganger raskere enn 209M og slår ifølge Mistral Chronos-2, som er rundt fire ganger større, på GIFT-Eval og TIME. 123M-modellen ligger innenfor 0,2 prosent av 209M-scoren med tre firedeler av ventetiden.

Modellene tar inn opptil 32 768 tidssteg historikk og spår opptil 1024 steg i én forward pass. De håndterer flere serier samtidig, kovariater du bare kjenner bakover og kovariater du kjenner på forhånd, som værmelding eller produksjonsplan, også kategoriske verdier som ukedag eller maskinstatus. Svaret er 21 kvantiler, så du får usikkerheten med og ikke bare ett tall. Mesteparten av treningsdataene var syntetiske.

Lisensen er ikke vanlig MIT. Mistrals modifiserte MIT-lisens gir deg ingen rettigheter hvis selskapet ditt, eller arbeidsgiveren din, hadde over 20 millioner dollar i global omsetning forrige måned. Begrensningen gjelder også avledede verk og fine-tunede varianter. For hobbyprosjekter og de fleste norske småbedrifter spiller den ingen rolle.

Hva bør du gjøre?

1. Installer med pip install git+https://github.com/mistralai/timestral.git (krever Python 3.10 og torch 2.4 eller nyere) og start med 28M-modellen på CPU.
2. Eksporter noen uker med 15-minutters strøm- eller temperaturdata fra Home Assistant, og sammenlign medianen og 10/90-kvantilene med det du faktisk målte dagen etter.
3. Legg inn kjente fremtidige kovariater, som værmelding eller oppvarmingsplan, og se om prognosen blir bedre enn uten.