Mistral AI a lancé Timestral, sa première famille de modèles de fondation pour séries temporelles, en quatre tailles allant d'un minuscule 5M à un fleuron de 209M de paramètres. Les modèles font de la prévision probabiliste zéro-shot — donnez-leur des données historiques et ils prédisent la suite, sans entraînement préalable sur vos propres données — et Mistral affirme que la version 209M se classe première des modèles de prévision zéro-shot sur trois benchmarks publics : GIFT-Eval, TIME et fev-bench.

L'argument, c'est l'efficacité. Les quatre tailles partagent une même architecture, et toute la famille est assez petite pour tourner sur un CPU standard — aucun GPU requis. Mistral rapporte que le modèle 209M produit une prévision à un jour à partir de trois semaines d'historique au quart d'heure en environ 140 millisecondes sur un CPU serveur à 8 threads, le modèle 5M le faisant en 10 ms environ. Cela met la prévision sérieuse à portée du matériel ordinaire, du portable des analystes aux appareils embarqués.

Sous le capot, Timestral produit 21 quantiles par pas de prévision, donnant une bande de valeurs probables plutôt qu'un chiffre unique — utile pour la planification des ventes, la finance et les opérations, où connaître la plage des résultats compte plus qu'une estimation ponctuelle. Il gère les entrées multivariées, les valeurs manquantes (en NaN), et les covariables passées seules comme futures connues — jours fériés, promotions planifiées ou déploiements programmés. Le plus grand modèle lit jusqu'à 32 768 pas passés et prévoit jusqu'à 1 024 pas par passe.

Un bémol important : les affirmations de benchmarks sont celles de Mistral — le rapport technique est encore attendu, et les marges sur le précédent leader (le t0-gamma de The Forecasting Company, rival parisien) sont étroites. Reste que deux équipes européennes occupent désormais le haut des classements dans un domaine où le TimesFM de Google et le Chronos d'Amazon étaient les noms à battre.

Côté licence, les poids sont publiés sous ce que Mistral appelle une licence MIT modifiée — avec une modification notable : les entreprises dont le chiffre d'affaires mensuel mondial a dépassé 20 millions de dollars le mois précédent ne sont pas autorisées à utiliser les poids. Mistral a aussi partagé une bibliothèque d'inférence légère et un dépôt GitHub public avec cette sortie.

Sources