Mistral lanceert Timestral voor tijdreeksprognoses op CPU

Mistral lanceert Timestral op 15 oktober als een familie van vier modellen voor probabilistische tijdreeksprognoses, met groottes van 5 tot 209 miljoen parameters, CPU-uitvoering en zero-shot voorspellingen, meldt het bedrijf.

Een eerste proef met vraag, voorraad of capaciteit vraagt daardoor niet meteen om een aparte GPU-server of een eigen trainingsproject. De gewichten kunnen lokaal draaien op historische bedrijfsreeksen. Het werk verschuift naar gegevenskoppelingen, het toetsen van de prognoses en de aansluiting op bestaande planning.

Vier groottes voor één voorspeltaak

De vier modellen hebben 5 miljoen, 28 miljoen, 123 miljoen en 209 miljoen parameters. Mistral zegt dat de kleinere versies sneller zijn en minder rekenkracht vragen, terwijl de grootste een hogere voorspelkwaliteit biedt. Alle vier gebruiken dezelfde architectuur en trainingsopzet.

Timestral maakt probabilistische, multivariate prognoses. Het voorspelt 21 kwantielen per tijdstap, zodat een team een bereik van uitkomsten ziet in plaats van één verwachte waarde. Dat verschil kan meespelen in een voorraadkeuze, waar een gemiddelde afzet en een piekscenario om een andere inkoopmarge vragen.

Het model kan meerdere samenhangende reeksen tegelijk verwerken en accepteert historische kenmerken en gegevens die voor de voorspelperiode al bekend zijn. Bij een vraagprognose kunnen eerdere verkopen het doel zijn, winkelbezoek een historische invoer en een geplande actie of feestdag een bekende toekomstige invoer. De Mistral-repository beschrijft ook categorische kenmerken, een context tot 32.768 tijdstappen en voorspellingen tot 1.024 stappen per berekening. De tijdsduur daarvan hangt af van de meetfrequentie.

De CPU-meting beschrijft één rekenvoorbeeld

Mistral testte een voorspelling voor één dag vooruit op een standaardserver met acht CPU-threads. De invoer bestond uit drie weken gegevens met metingen per kwartier. In die proef deed de 5M-versie er 10 milliseconden over en de 209M-versie 140 milliseconden. Volgens Mistral is 28M vijf keer sneller dan het grootste model; de score van 123M blijft binnen 0,2 procent van 209M bij driekwart van diens rekentijd.

Dat zijn cijfers voor één afgebakende taak, geen doorvoermeting voor duizenden reeksen tegelijk. De aankondiging noemt geen processortype, geheugengebruik of batchgrootte. De proef maakt CPU-inzet aannemelijk voor een beperkte voorspeltaak, maar bepaalt nog niet welke server een productieplanning nodig heeft.

Mistrals modeldocumentatie noemt Timestral 1.0 Public Preview, met 209 miljoen parameters en Modified MIT-gewichten. De code staat apart onder Apache 2.0. Een prijs voor gebruik via de gehoste dienst staat niet op de modelpagina van Timestral 1.0, dus een kostenvergelijking met zelf draaien is nog niet compleet.

Een specialist naast Large 4

Negen dagen eerder kondigde Mistral Large 4 aan als een algemeen model met één biljoen parameters; de gewichten zouden pas eind oktober verschijnen. Timestral is een andere stap: een kleine modellenfamilie voor één afgebakende taak, met gewichten en code om die lokaal uit te voeren.

Dat kan relevant zijn voor Nederlandse teams met productiegegevens of interne vraagreeksen die niet naar een externe API mogen. De lokale route laat de organisatie zelf zorgen voor koppelingen, monitoring en updates. Bij zelf draaien komen servercapaciteit en beheer erbij.

Voor domeinaanpassing noemt Mistral fine-tuning via Forge. Het bedrijf zegt dat de volledige trainingspijplijn ook op klant-hardware en in een omgeving zonder internetverbinding kan draaien.

Google en IBM leggen andere accenten

Google bracht TimesFM-3 op 31 augustus uit als een model van 330 miljoen parameters, voorgetraind op ruim één biljoen tijdpunten. Google zegt dat het model meerdere reeksen en bekende toekomstige kenmerken verwerkt en bovenaan staat op drie benchmarks. Het produceert negen kwantielen, tegenover Timestrals 21. Google beperkt het gebruik van de TimesFM-3-gewichten tot niet-commercieel en niet-productiegebruik, zodat commerciële prognoses met de gewichten buiten de licentie vallen.

IBM Research meldt dat Granite PatchTST-FM-r2 ongeveer 385 miljoen parameters en 99 kwantielen heeft. Het bedrijf plaatst het model tweede op GIFT-Eval onder repliceerbare zero-shotmodellen en biedt het onder Apache 2.0 of OpenMDW 1.0 aan. Die 99-kwantielvariant met een tweede plaats op GIFT-Eval vormt een andere licentie- en schaalroute. De modellen gebruiken niet dezelfde maatstaven en testopzetten, dus rangnummers alleen geven geen rechtstreekse vergelijking voor een Nederlandse bedrijfsreeks.

De benchmarkclaim wacht op onderbouwing

Mistral meldt dat Timestral-209M bovenaan staat op GIFT-Eval, TIME en fev-bench binnen de vooraf getrainde zero-shotmodellen. Het bedrijf zegt vijf meetwaarden te gebruiken, met één checkpoint en zonder ensembles. In de Mistral-modelkaart scoort Timestral op GIFT-Eval 0,658 voor MASE en 0,446 voor CRPS, tegenover 0,667 en 0,456 voor Google TimesFM-3; lager is bij beide maatstaven beter. De grafiek op de aankondigingspagina toont voor Timestral MASE 0,657; Mistral verklaart het verschil met de modelkaart niet.

De resultaten zijn door Mistral ingediend bij de openbare leaderboards van GIFT-Eval en TIME. De volledige technische rapportage moet nog volgen. Mistral zegt dat bedrijfsdata in vorm en gedrag kunnen afwijken van benchmarkdata, bijvoorbeeld bij veranderende markten of verouderende apparatuur. Het grootste deel van de trainingsdata was synthetisch; daarna volgde training op een mengsel van echte en synthetische reeksen.

Timestral maakt een lokale proef met een specialistisch voorspelmodel bereikbaar zonder GPU en zonder aparte training per gegevensreeks. De benchmarks beantwoorden nog niet hoeveel voorraadfouten, gemiste capaciteit of handmatige correcties het model op een eigen bedrijfsdataset oplevert. Die uitkomst hangt af van de reeks, de bekende toekomstige invoer en de manier waarop voorspellingen worden getoetst.