Timestral 是法国 AI 公司 Mistral 于 2026 年 10 月开源的多元时间序列预测基础模型，主打用单一预训练模型处理电力负荷、金融行情、传感器监测等通用预测任务。它采用仅解码器架构、参数量 209M，属于轻量级基础模型，官方已在 Hugging Face 以开源协议发布权重，可即取即用地做零样本预测。
Timestral 的近期进展
当前焦点与观察点
时间序列预测此前多由统计方法（ARIMA、指数平滑）和 LightGBM 等树模型主导，近年 Google TimesFM、Amazon Chronos 等基础模型开始证明"预训练+零样本"路线的可行性。Timestral 的出现意味着 Mistral 把开源竞争从语言和图像领域扩展到了这一细分赛道。
争议点主要集中在评测口径上：超越 TimesFM-3 的结论依赖于所选基准，实际工业场景中的数据分布、缺失值和漂移问题往往与基准集差异较大；社区对 209M 小模型在长周期预测上的稳定性也存在疑问。后续值得观察的是模型在企业电力、零售需求预测等真实场景的落地反馈，以及 Mistral 是否会围绕 Timestral 推出更大参数规模或微调工具链。