Timestral: Mistral-Zeitreihenmodelle für probabilistische Prognosen, 5M bis 209M Parameter
Mistral bringt Timestral – eine Familie von vier Zeitreihen-Grundmodellen (5M–209M Parametern) – auf den Markt. Das größte Modell führt alle drei Hauptbenchmarks an und läuft CPU-effizient, ohne Retraining.
Was ist neu
Mistral AI stellt Timestral vor: eine Familie von vier Zeitreihen-Grundmodellen (Time Series Foundation Models) mit 5, 28, 123 und 209 Millionen Parametern. Laut Mistral AI rangiert das größte Modell mit nur 209M Parametern auf allen drei führenden öffentlichen Benchmarks an erster Stelle – GIFT-Eval, TIME und fev-bench – und übertrifft dabei vorherige Rekordhalter mit nur zwei Dritteln der Modellgröße.
Die Kernfähigkeiten der Familie umfassen probabilistische und multivariate Prognosen, die Verarbeitung von Vergangenheitsdaten und bekannten zukünftigen Kovarianzen (etwa Produktionspläne oder Wettervorhersagen) sowie die Unterstützung kategorialer Eingaben (z. B. Wochentage, Maschinenstatus). Laut Mistral AI erzeugt das Modell Prognosen als Verteilungen über 21 Quantile, nicht als einzelne Punkt-Prognosen – dadurch sollen Unsicherheitsbreiten sichtbar werden, etwa für Wartungsplanung und Schwellwertfestlegung.
Alle vier Modellgrößen teilen dieselbe Architektur und das gleiche Trainingsverfahren. Laut Mistral AI sitzt jede Größe auf der Pareto-Front zwischen Genauigkeit und Modellgröße; keines der öffentlich verfügbaren Modelle soll bei seiner Größenordnung bessere Prognosen liefern. Das 28M-Modell schlägt laut Mistral AI Chronos-2 (etwa viermal größer) auf GIFT-Eval und TIME, das 209M-Modell TimesFM-3 und Falcon-2.0, jeweils mit weniger Parametern.
Die technische Grundlage kombiniert mehrere Ansätze: Decoupled Horizon Forecasting (trennt Prognoseziele von Maskierungen im Training), Covariate-aware Attention (unterscheidet zwischen Zielgrößen, reinen Vergangenheits- und Zukunftskovarianzen), synthetische Daten bei der Vortrainierung und zweistufiges Training (zuerst auf synthetischen Daten mit 8192er Kontextgröße, dann auf gemischten Daten mit vierfach längerer Kontextfenster).
Laut Mistral AI läuft Timestral CPU-effizient: Auf einem Standard-Server-Prozessor mit 8 Threads dauert eine Prognose einen Tag voraus aus dreiwöchiger Historie mit 15-Minuten-Daten 10 ms beim 5M-Modell und 140 ms beim 209M-Modell. Das 28M-Modell ist laut Mistral AI fünfmal schneller als das 209M-Modell, das 123M-Modell erreicht 0,2% Genauigkeitsverlust mit nur drei Vierteln der Latenz.
Die Modelle sind nach Herstellerangabe für Zero-Shot-Prognosen ausgelegt – also für Vorhersagen auf Daten, auf denen sie nicht trainiert wurden, auch in Domänen mit Datenmangel. Eine technische Publikation mit vollständigen Ergebnissen wird laut Mistral AI folgen.
Für wen, ab wann, zu welchen Bedingungen
Timestral adressiert laut Meldung Fälle, in denen Zeitreihendaten zentral sind: Sensorretelemetrie in Industrieanlagen, Observability-Metriken, Kapazitätsplanung, Energiewirtschaft, Supply-Chain-Entscheidungen, Finanzflussvorhersagen und Risikomanagement. Ein Anwendungsbeispiel: Industrieanlagen mit tausenden Sensoren können damit Equipment-Drift erkennen, bevor Ausfälle auftreten.
Die Modelle sind sofort verfügbar. Mistral AI nennt nicht explizit, ob und zu welchen Preisen alle vier Größen über eine API bereitgestellt werden – dies wird als kommend signalisiert durch die Ankündigung eines GitHub-Repositorys zum lokalen Ausführen eigener Daten. Mistral AI nennt auch keinen genauen Veröffentlichungstermin für die technische Publikation.
Für Organisationen mit speziellen Anforderungen oder zur Domänenanpassung bietet Mistral AI Timestral über Mistral Forge an – die gleiche Trainings-Pipeline, die auch für Sprachmodelle genutzt wird. Mistral Forge unterstützt laut Meldung Zero-Shot-Inferenz, architektonische Erweiterungen (domänenspezifische Kovarianzen), Fine-Tuning auf Proprietärdaten sowie vollständige Kontrolle über Trainingsdaten (Anpassung des Trainings-Mix, Replay von Vortrainings-Daten, Generierung synthetischer Daten). Das volle Mistral-Forge-System lässt sich laut Mistral AI auf Kundeinhardware bereitstellen, einschließlich Air-Gap-Umgebungen.
Was Mistral AI nicht nennt: konkrete Preismodelle für API-Zugang, regionale Verfügbarkeit, Latenzgarantien in Produktiv-SLAs und exakte Zeitpläne für Benchmarks und technische Reports.
Einordnung für DACH
Für Teams im deutschsprachigen Raum bedeutet Timestral eine zusätzliche Option für Zeitreihenprognosen in kritischen Bereichen wie Energiewirtschaft, Industrieproduktion, Finanzservice und Logistik. Der CPU-Betrieb ohne GPU-Abhängigkeit reduziert Infrastrukturkosten und ermöglicht Deployment in bestehenden Rechenzentren – gerade relevant für Firmen mit etablierten Infrastrukturen.
Die Möglichkeit des On-Premises- und Air-Gap-Deployments über Mistral Forge spricht Organisationen an, bei denen Datenschutz und Datensouveränität kritisch sind: Sensordaten, Energieverbrauchsmuster und Finanzflüsse bleiben potenziell in Kundenkontrolle, wenn Mistral Forge lokal trainiert wird. Mistral AI erwähnt allerdings nicht, wo die Vortrainings-Daten ursprünglich verarbeitet wurden – die DSGVO-Relevanz hängt von der genauen technischen Implementierung ab.
Der Zero-Shot-Ansatz könnte europäischen Unternehmen in regulierten Bereichen (etwa Energiewirtschaft) Vorteile bieten, wenn Retraining auf Proprietärdaten regulatorisch bevorzugt oder gefordert ist. Mistral AI nennt aber weder Zertifizierungen noch explizite DSGVO- oder EU-AI-Act-Compliance-Aussagen.
Im Kategorie Modelle & Benchmarks wachsen damit die Optionen für spezialisierte Aufgaben jenseits von General-Purpose-LLMs – ein Trend, den auch Anthropic mit kleineren, fokussierten Modellen (wie Claude Haiku 5.5 mit erweiterten Kontextfenstern) unterstützt.
Quellen
Häufige Fragen
Was ist Timestral und wofür wird es genutzt?
Timestral ist eine Familie von vier Zeitreihen-Grundmodellen von Mistral AI (5M bis 209M Parameter) für probabilistische Vorhersagen. Es wird genutzt, um zukünftige Werte von Zeitreihendaten wie Sensormessungen, Energieverbrauch oder Finanzflüsse vorherzusagen – besonders in Industrieproduktion, Energiewirtschaft und Supply Chain.
Auf welchen Benchmarks schneidet Timestral ab?
Laut Mistral AI rangiert das größte Modell (209M Parameter) auf allen drei führenden Benchmarks an erster Stelle: GIFT-Eval, TIME und fev-bench. Es erzielt diese Ergebnisse mit nur zwei Dritteln der Parametergröße von bisherigen Rekordhaltern.
Kann Timestral auf Standard-CPUs laufen?
Ja, laut Mistral AI benötigt Timestral keine GPU. Auf einem Standard-Server-Prozessor mit 8 Threads dauert eine Prognose 10 ms mit dem kleinsten Modell (5M Parameter) bis 140 ms mit dem größten (209M Parameter).