Timestral: Mistralリリースの時系列基盤モデル

元記事: 2026年10月19日原文(mistral.ai)

概要

Timestral はMistral初の時系列基盤モデルファミリー
わずか 209Mパラメータ で主要ベンチマークを上回る精度を実現
ゼロショット予測 やCPU推論に対応し、多様なドメインで高効率運用
合成データ事前学習 ・ 共変量対応アテンション ・ 長文脈学習 を組み合わせた革新
Mistral Forge によるファインチューニングやドメイン適応も可能

Timestral：時系列予測の新基準

Timestral はMistralが開発した初の時系列基盤モデルファミリー
- 5M、28M、123M、209Mの4サイズ展開
- 最大モデル（209Mパラメータ） が主要ベンチマーク（GIFT-Eval、TIME、fev-bench）で首位獲得
確率的・多変量予測 に対応し、過去・未来の共変量入力をサポート
モデルサイズと精度のパレート最前線 に位置し、各サイズで他の公開モデルを上回る性能
CPUのみでの高速推論 が可能
- 例：5Mモデルで3週間分の15分間隔データから1日先を10msで予測
小型モデルは速度重視、大型モデルは精度重視で用途に応じて選択可能
- 28MモデルはChronos-2（4倍大）を上回る精度
- 123Mモデルは209Mのスコアに0.2%差で到達、レイテンシは3/4

産業用途での活用例

産業プラント など数千のセンサーデータに対する多様な予測タスクに対応
- 多変量予測 ：振動・温度・圧力など相関する複数センサーを同時に予測
- 確率的予測 ：不確実性を定量化し、リスクベースの意思決定を支援
- カテゴリ共変量 ：曜日や装置状態（稼働・待機・保守中）などを直接入力
- 既知未来共変量 ：生産スケジュール・天気予報などの事前情報を活用

システム連携とワークフロー

既存の監視パイプライン や マルチモーダルエージェント との連携が容易
- Timestralが異常検知を担い、エージェントが過去事例やメンテナンス記録を参照し原因分析
- 結果として、データに裏付けられた診断・アクションプランを現場責任者に提示

技術的な革新点

Decoupled Horizon Forecasting（DHF）
- 予測区間と履歴を分離し、全履歴を文脈として活用しつつ欠損値も明示的に扱う
共変量対応アテンション
- 各入力系列に役割（ターゲット、過去のみ共変量、既知未来共変量）を割り当て、情報流を制御
合成データ主導の事前学習
- トレンド・季節性・ノイズを含む合成単変量系列を生成し、多変量合成器で複雑な依存性を付与
二段階学習
- まず合成データで大規模事前学習、次に実データ混合で文脈長4倍の後学習
- 21分位点のピンボール損失で確率分布を学習

適応性とファインチューニング

Mistral Forge を通じてユーザー独自のデータでファインチューニング可能
- ゼロショット推論、ドメイン固有共変量追加、独自データでの微調整
- トレーニングデータの調整や合成データ生成も柔軟に制御
- エアギャップ環境を含むオンプレミス導入対応

実装・ライセンス・今後の展開

GitHubリポジトリ で自社データへの適用が可能
技術レポート も近日公開予定
特殊な予測課題や共同研究 の相談も受け付け中

Timestralモデル仕様まとめ

モデルタイプ ：時系列基盤モデル（TSFM）
パラメータ数 ：5M、28M、123M、209M
文脈長 ：32,768タイムステップ
出力：21分位点の確率的予測
入力：多変量ターゲット、過去のみ/既知未来共変量
導入形態 ：オンプレミス、VPC、エアギャップ
ライセンス ：Modified MIT

提供: ハクソク · 要約更新: 2026年10月20日

AIによる日本語要約です。内容は原文とあわせてご確認ください。

Hacker Newsの議論を読む

Hackerたちの意見

すごいね。5年前は予測モデルを作ってデプロイするのに数ヶ月かかってたのに、今は数分でこんなことができるなんて驚きだよ。LLMの助けを借りて実装して、かなり良い結果が出るみたいだし（データに合わせて微調整もできるみたい）。スピードもいい感じだし、今はこのパフォーマンスのオープンウェイトモデルが欲しいな。

└

ここはThe Forecasting Companyの共同創設者だけど、うちのモデルをチェックしてみて！オープンウェイトだよ：https://huggingface.co/theforecastingcompany/t0-gamma 編集：うちのはApache 2ライセンスだけど、Timestralは制限のあるライセンスだよ。

└

もしかしたら誤解してるかもしれないけど、モデルはここからダウンロードできるはずだよ：https://huggingface.co/collections/mistralai/timestral

0.03の改善を5倍の差に見せるなんて、ほんとクレイジーだね。

└

0.03はどの単位ですか？

うーん…時系列データはテキストデータとは根本的に違うからね。時系列の「ファウンデーションモデル」が魅力的に見える理由はわかるけど、特にMistralのマーケティング担当者には。実際の使い道はかなり限られてると思う。だからブログ記事には実際の顧客じゃなくて、架空の顧客が登場してるんじゃないかな。

└

同意だね。これらは基本的に数秘術のモデルだよ。

└

ここはThe Forecasting Companyの共同創設者だけど、これには反対だな。今のモデルはかなりうまく機能してるし、いくつかの場所で実際に使われてるよ。特に高度な場所、例えばクオンツファンドやトップの小売企業とかね。

└

時間ベースのデータはめっちゃ大事だよね。超高速で超小型のモデルをトレーニングするための技術はたくさんあるけど、調整が面倒くさいんだよね。いろんなことがそこそこできるファンデーションモデルがあって、それをファインチューニングしたり、データを分析するためにもっとシンプルに使えるといいなと思う。正直、これって特化したモデルを洗練させるための特徴選択にすごく役立つかも。

これらの「バイブチェック」ってどうなの？ベンチマークは持ってないけど、彼らがすごくうまくいくって言ってたLe Chonkを一般的なコーディング作業で試してみたら、すごくがっかりしたよ。オプスやソル、ディープシークフラッシュなどからは1年以上見たことのないような明らかなエラーをいろいろ出してた。

└

VibeでMistral 4も試してみたけど、遅いね。ちゃんと動くけど、めっちゃ遅い。MistralのGLM5.3に戻したけど、こっちは最高だよ。編集：今GLM5.3で作業中だけど、これも遅い。もしかしたらMistralが重い負荷かかってるのかも。注意：ここでは「The Forecasting Company」の共同創業者じゃないよ。

自分の分野は主に音声/視覚の機械学習だから、特別な専門知識はないけど、「時系列」を一つの大きなバケツにまとめるのがどうしても理解できない。自分の単純な理解では、精度を上げるためにはできるだけ多くの共通情報を得ることが重要だと思う。例えば、>「未来の既知の共変量」。センサーの挙動を左右する要因の中には、事前にわかっているものもある。生産スケジュールや計画的な停止、天気予報などだね。Timestralはそれらに基づいて予測の質を向上させることができるから、予定された負荷の増加はサプライズとしてフラグが立つんじゃなくて、予想されるものになるはず。自分にとっては、これがシステムの全体的な基盤であって、予測の質を向上させるための条件じゃないと思う。例えば、電力消費をモデル化する場合、もしN個の過去のサンプルしかないなら、時間帯や祝日、天気予報などを知っている比較的シンプルなシステムに完全に負けちゃうよね。これらの時系列予測モデルは、少なくとも共変量のラベルについては洗練された理解を得るべきだと思う。5Mモデルは「バンクホリデー」が何か全くわからないし、0から1に変わる任意のクラスを見ているだけだから、それが何を意味するのか、他の情報とどうリンクさせるのかについて有用な帰納的バイアスを持っていない。例えば、天然ガスの価格（それ自体が多くの地政学的要因に影響される）や、各エネルギー源の生産構成の内訳、ニュースやその影響を理解できる高度なLLMが必要なロールアウトの予測などにアクセスできれば、電力の€/MWhをもっと正確に予測できるんじゃない？8192や32768サンプルを振り返る狭いウィンドウと2つの変数から予測しようとするのは何の意味があるの？それとも、使い方を誤解していて、これは超短期的な動き向けなのかな？

Hacker Newsで議論の続きを見る