Timestral: i modelli foundation di Mistral per le serie temporali

Presentazione di Timestral

Il 15 ottobre 2026 Mistral ha annunciato il rilascio di Timestral, la sua prima famiglia di modelli foundation per serie temporali (TSFM). Il modello di punta, con 209 milioni di parametri, si posiziona al primo posto in tutti e tre i principali benchmark del settore – GIFT‑Eval, TIME e fev‑bench – superando lo stato dell’arte precedente pur utilizzando solo due terzi dei parametri dei concorrenti.

Timestral offre previsioni probabilistiche multivariate, supporta covariate sia passate che a futuro noto e consente l’addestramento su contesti lunghi (fino a 32 k step temporali). L’intera famiglia è collocata sul Pareto front per il rapporto tra accuratezza e dimensione, garantendo prestazioni di punta a ogni scala.

Modelli foundation per serie temporali: perché sono importanti

Le serie temporali sono tra i dati più diffusi in ambito aziendale: telemetria dei sensori, metriche di osservabilità, dati di capacità, energia, catene di fornitura, rischio e manutenzione. Nei settori finanziari, prezzi, volumi, tassi e spread sono tutti rappresentati come serie temporali, e le loro previsioni guidano decisioni critiche.

I metodi tradizionali – ARIMA, regressione lineare – rimangono affidabili ma sono limitati a una singola serie e apprendono solo dalla sua storia. I modelli di deep learning, come PatchTST, introducono capacità non lineari sfruttando molte serie correlate, ma richiedono addestramento da zero su ogni nuovo set di dati, impedendo il trasferimento di conoscenza.

Timestral, come modello foundation, adotta il paradigma del pre‑addestramento su un ampio corpus diversificato. Questo consente di apprendere pattern generali trasferibili a nuovi domini, offrendo previsioni zero‑shot anche su dati mai visti e su contesti con scarse osservazioni.

Risultati sui benchmark pubblici

• GIFT‑Eval: Timestral è classificato al primo posto tra le prime dieci delle 80 voci comparabili pre‑addestrate e zero‑shot. Valori più bassi indicano performance migliori.
• TIME: posizionato al primo posto tra le prime dieci delle 31 voci. Anche qui, metriche più basse sono migliori.
• fev‑bench: primo posto tra le prime dieci delle 33 voci, valutato in base al punteggio di abilità SQL (valori più alti indicano performance migliori).

Tutti questi risultati provengono da un singolo checkpoint, senza l’uso di ensemble, dimostrando l’efficacia della singola architettura.

Una famiglia di modelli per ogni esigenza

Timestral è disponibile in quattro configurazioni:

• 4 M parametri – velocità massima, ideale per ambienti con risorse limitate.
• 20 M parametri – supera Chronos‑2 (sei volte più grande) su GIFT‑Eval e TIME.
• 108 M parametri – bilancia accuratezza e costi computazionali.
• 209 M parametri – modello di punta, supera TimesFM‑3 e Falcon‑2.0 con meno parametri.

Tutte le versioni condividono la stessa architettura e la stessa ricetta di addestramento, collocandosi sul fronte di Pareto: per ogni dimensione di modello nessun altro modello pubblico produce previsioni migliori.

Efficienza su CPU

Timestral è stato progettato per funzionare senza GPU in fase di inferenza. Su una CPU standard:

• Previsione a un giorno a partire da tre settimane di storico con cadenza di 15 minuti richiede 9 ms con il modello da 4 M e 140 ms con quello da 209 M.
• Su un singolo core, i tempi variano da 10 ms a 360 ms.
• Per prevedere 100 000 serie ogni 15 minuti occorrono da 1 a 32 core CPU, a seconda della dimensione del modello.

Questi valori sono ottenuti con PyTorch puro, senza ottimizzazioni specifiche per l’inferenza, dimostrando la robustezza dell’implementazione.

Applicazione industriale: caso di studio

Immaginiamo uno stabilimento con migliaia di sensori (vibrazione, temperatura, pressione). Timestral può migliorare le previsioni in più modi:

• Previsione multivariata: modella congiuntamente le serie correlate, sfruttando le dipendenze tra vibrazione, temperatura e pressione.
• Previsione probabilistica: fornisce quantili e intervalli di confidenza, permettendo di impostare soglie di avviso basate sull’incertezza.
• Covariate categoriali: gestisce direttamente categorie come giorno della settimana o stato della macchina, evitando codifiche numeriche spurie.
• Covariate a futuro noto: incorpora piani di produzione, fermate programmate e previsioni meteo, migliorando la qualità delle previsioni anticipando variazioni note.

Dalla previsione al sistema di decisione

Timestral può essere integrato nelle pipeline di monitoraggio esistenti e combinato con i modelli linguistici di Mistral in flussi di lavoro multimodali:

• Timestral analizza in tempo reale i flussi dei sensori, rilevando anomalie.
• Un agente genera embedding dei segnali anomali e li confronta con embedding storici per identificare guasti simili.
• L’agente avvia sotto‑agenti per l’analisi della causa radice, accedendo a registri di manutenzione, turni, note operative, manuali e dati correlati.
• Viene prodotta una diagnosi proposta, con evidenze e possibili azioni correttive.
• Il responsabile riceve una diagnosi basata sui dati dei sensori, non solo un avviso generico.

Principali contributi tecnici

Timestral combina diverse innovazioni per raggiungere le sue performance:

• Architettura basata su Transformer ottimizzata per serie temporali.
• Pre‑addestramento su un corpus estremamente vario di serie temporali multivariate.
• Addestramento a contesto lungo (32 k step) per mantenere coerenza su orizzonti di previsione estesi.
• Supporto nativo a covariate sia passate che a futuro noto, incluse variabili categoriali.
• Implementazione pura PyTorch, garantendo portabilità su CPU senza dipendenze hardware specifiche.

Prospettive future

Con Timestral, Mistral apre la strada a una nuova generazione di applicazioni basate su serie temporali: monitoraggio industriale, gestione dell’energia, previsioni finanziarie, ottimizzazione della supply chain e molto altro. La capacità di offrire previsioni zero‑shot, di essere facilmente fine‑tuned su dati proprietari e di integrarsi in sistemi multimodali rende Timestral una piattaforma versatile per le imprese che vogliono trasformare i dati temporali in decisioni operative.