Timestral

15 октября 2026 года Mistral представила Timestral — семейство базовых моделей для временных рядов, а не чат-бот для свободного диалога. Доступны варианты на 5, 28, 123 и 209 млн параметров; старший использует до 32 768 шагов контекста и возвращает вероятностные прогнозы в виде квантилей. Модель принимает многомерные ряды и может учитывать прошлые и заранее известные будущие факторы. Это полезно для сценариев, где одновременно наблюдаются продажи, календарь, температура, нагрузка оборудования или другие связанные сигналы.

Ключевое практическое отличие от обычного продолжения графика — возможность получить не одну уверенную линию, а несколько уровней прогноза. Команда может увидеть не только центральное значение, но и диапазон неопределённости, а затем решить, как он соотносится с запасом, мощностью или бюджетом. Разработчик сообщает об оценке на нескольких публичных бенчмарках, включая GIFT-Eval, TIME и fev-bench. Это результаты собственной заявленной методики и публичных наборов; они не доказывают преимущество на ваших данных, календарных циклах и качестве учёта.

Пилот начинайте с чётко определённого решения. Для склада это может быть недельная потребность по товару, для эксплуатации — нагрузка на датчик, для финансовой команды — поток поступлений. Сопоставьте Timestral с простым baseline: значением прошлого сопоставимого периода или сезонной медианой. Разделите обучение и тест по времени, а не случайно; иначе сведения из будущего попадут в прошлую оценку. Метрики выбирайте с учётом риска: ошибка недопрогноза и перепрогноза может стоить по-разному. Для пошаговой схемы такого тестирования полезен [гайд по backtest прогноза спроса](/article/gayd-proverka-prognoza-sprosa-backtest-20261016-b1/).

Размер 209M выглядит небольшим рядом с языковыми моделями, а Mistral указывает возможность запуска на CPU, локально, в VPC или изолированной среде. Это не гарантирует мгновенный расчёт на любом компьютере: скорость зависит от длины рядов, числа признаков, библиотек и режима пакетирования. Более компактные варианты могут быть удобнее для эксперимента на ограниченных ресурсах. Проверьте требования репозитория, совместимость форматов и доступность нужных весов; отдельно выясните, какие вычислительные библиотеки используются в производственной среде.

У семейства модифицированная лицензия MIT. Перед коммерческим использованием прочитайте файл лицензии именно той версии весов и кода, которую собираетесь развернуть. Учтите и права на исходные данные: лицензия модели не отменяет договорных ограничений на выгрузку продаж, сенсорных данных или сведений клиентов. При локальном запуске инфраструктуру обслуживает ваша команда — обновления, доступы, журналирование и восстановление также становятся вашей ответственностью.

Ограничения не менее важны, чем список функций. Модель не знает о смене ассортимента, задержке поставки, акции, поломке датчика и закрытии точки, если эти сведения не попали в данные. Праздничный пик может не повториться; одноразовый сбой измерения способен исказить ряд. Если будущие ковариаты фактически неизвестны на дату прогноза, подставлять их задним числом нельзя. Проверяйте качество отдельно на коротких и длинных рядах, на товарах без истории и на периодах резких изменений. Новая версия модели требует повторного теста, даже если её идентификатор похож на прежний.

До интеграции определите частоту пересчёта, формат входа и способ обработки пропусков. Для магазина дневной прогноз и недельное планирование — не одно и то же; горизонты выбирают вместе с реальным сроком пополнения. Сохраняйте временную отметку прогноза и версию данных, иначе через месяц нельзя будет понять, почему рекомендация отличалась от факта. Для ряда с множеством нулей отдельно проверьте, не маскирует ли средняя ошибка редкие, но дорогие провалы. Полезно задать человеку простой сценарий отказа: если вход повреждён, дата пропущена или диапазон слишком широк, прогноз помечается как непригодный, а не превращается в автоматический заказ.

Timestral подойдёт аналитикам и инженерам данных, которым нужна отдельная числовая модель для сравнения с классическими методами. Команде, ожидающей автоматического решения, сначала придётся построить вокруг неё процесс: подготовить данные, формировать признаки, выбирать горизонт, измерять ошибки и передавать неопределённые случаи человеку. Для документов и текстовых задач это не замена [мультимодальному OCR-подходу](/article/sravnenie-ocr-pravila-i-vision-llm-dokumenty-20261016-b1/), потому что Timestral предназначен для числовых временных последовательностей.

FAQ: **Это языковая модель?** Нет, её назначение — прогнозирование рядов. **Гарантируют ли публичные бенчмарки точность на моих продажах?** Нет, нужен хронологический тест на ваших данных. **Можно ли запускать локально?** Заявлены локальный и изолированный варианты, но фактическая скорость и ресурсные требования зависят от конфигурации. Вывод: Timestral заслуживает пилота там, где прогноз можно корректно измерить, однако не должен самостоятельно принимать закупочные или финансовые решения без владельца процесса.

Для сопоставимого эксперимента сохраните исходный ряд, список факторов, горизонт, настройки прогнозирования и метрику. Сравнивайте прогноз с фактом только после наступления выбранного периода; не меняйте критерий после просмотра результата. При нескольких подразделениях не объединяйте все товары в один показатель: хороший результат на стабильной позиции может скрыть провал у сезонного товара. Панель должна показывать дату расчёта и предупреждать, если источник данных давно не обновлялся.