Mistral发布Timestral时序模型家族，209M参数对标TimesFM-3

10月19日，Mistral AI发布Timestral，这是该公司首个时序基础模型家族。据Shattered.io的报道，旗舰模型Timestral-209M在Hugging Face上的仓库标注日期为10月15日，意味着模型先上线、再由公司在19日正式对外宣布。

Timestral不是聊天或代码模型。它接收一串按时间排列的数值——零售日销、每小时电力负荷、股票成交量——并预测接下来的走势。Mistral称其支持零样本预测、概率输出、多变量预测以及过去与未来协变量，也就是无需针对新数据集重新训练，并能同时处理多条相关序列和外部影响因素。

这一家族共有四个规模：5M、28M、123M和209M参数。与2026年动辄数百亿、上万亿参数的语言模型相比，Timestral的最大版本小了两个数量级以上。Mistral的论点是，时序数据的熵远低于自然语言，专用小模型不必复制大语言模型的参数预算。

基准成绩是这次发布的核心卖点。Mistral称Timestral-209M在GIFT-Eval上取得0.658的MASE和0.446的CRPS，在TIME上为0.626和0.522；在fev-bench上的SQL skill score为50.39。作为对照，谷歌TimesFM-3对应成绩为0.667、0.456、0.640、0.536和48.99。按Mistral的说法，209M模型在三个基准上都领先，而且只用一个checkpoint，没有用集成模型堆分数。

但“第一”并没有唯一答案。谷歌在TimesFM-3的发布博客中同样宣称，该模型在GIFT-Eval、fev-bench和TIME上排名第一，覆盖点预测与概率指标。两家公司引用高度重叠的榜单，却得出相反结论；在第三方研究复现相同条件之前，这些数字都只能视为厂商自报结果。

Mistral还给出了更小的模型对比：28M参数的Timestral变体据称在GIFT-Eval和TIME上击败了参数量约为其四倍的Chronos-2。若这一结果成立，意义可能比旗舰版夺冠更大，因为它说明效率优势不是只存在于最大checkpoint上的特例。

商业上，时序预测是AI最容易变现的方向之一，金融、零售、物流和工业运营都需要持续生成预测。小模型还带来部署优势：第三方技术文章称Timestral-209M可在CPU上运行推理，尽管Mistral官方材料尚未确认延迟和内存占用。对每天要跑成千上万条预测的企业来说，单位算力成本可能比榜单小数点后的差距更重要。

目前仍不清楚的是定价、托管API、详细许可条款和自托管部署要求。Mistral尚未公布这些信息，意味着Timestral能否从开源权重转化为企业收入还有待观察。接下来值得关注独立基准机构的复现、谷歌的回应，以及Timestral在真实业务数据上的表现。