Timestral : les modèles de prévision de Mistral tournent sur un simple processeur
Mistral publie Timestral, quatre modèles ouverts qui prévoient l’évolution de séries chiffrées sans entraînement préalable. Le plus petit répond en quelques millisecondes, sans carte graphique.
Le 15 octobre 2026, Mistral AI a présenté Timestral, sa première famille de modèles de fondation pour les séries temporelles. Une série temporelle, c’est une suite de chiffres dans le temps : consommation d’énergie, mesures d’un capteur, volumes, flux. Timestral sert à en prévoir la suite.
Ce que c’est
Quatre modèles de 5, 28, 123 et 209 millions de paramètres, avec la même architecture. C’est minuscule à côté des modèles de langue, et c’est voulu : ils tournent sur un processeur ordinaire. Mistral donne un exemple mesuré sur un serveur à 8 fils : prévoir la journée suivante à partir de trois semaines de relevés toutes les 15 minutes prend 17 millisecondes avec le plus petit modèle et 113 avec le plus grand.
Les modèles fonctionnent en « zéro-shot » : on leur donne un historique, ils prévoient, sans entraînement préalable sur vos données. Ils lisent jusqu’à 32 768 pas de temps et rendent une prévision probabiliste, en 21 quantiles. Autrement dit, une fourchette plutôt qu’un chiffre unique.
Le détail qui compte
Timestral accepte des informations annexes, que les statisticiens appellent covariables. Il y a les données passées, mais aussi ce qu’on connaît déjà de l’avenir : un planning de production, un arrêt prévu, une prévision météo. Il accepte aussi des catégories, comme le jour de la semaine ou l’état d’une machine. C’est souvent ce qui sépare une prévision utile d’une simple extrapolation.
Selon Mistral, le modèle de 209 millions de paramètres arrive premier des modèles pré-entraînés sur trois tests de référence (GIFT-Eval, TIME et fev-bench), et celui de 28 millions dépasse Chronos-2, environ quatre fois plus gros, sur deux d’entre eux. Ce sont les mesures de l’éditeur.
Comment l’essayer
Les poids sont sur Hugging Face, sous licence MIT modifiée, et le dépôt GitHub de Mistral explique comment lancer Timestral sur ses propres données. Mistral cite comme usages la planification de capacité, l’énergie, les chaînes d’approvisionnement, la maintenance et la finance. Les entreprises qui veulent aller plus loin peuvent l’ajuster sur leurs données ou le déployer chez elles via Mistral Forge.
Notre avis : pour une PME qui dispose d’un historique propre, ventes par jour, appels entrants ou stocks, c’est un test d’une demi-journée pour un développeur. Prenez deux ans d’historique, cachez les trois derniers mois, demandez la prévision et comparez avec ce qui s’est réellement passé. Le résultat dira mieux qu’un classement si l’outil mérite une place dans vos tableaux de bord.
