Timestral
Timestral est la famille de modèles de Mistral pour prévoir des séries temporelles. Annoncée le 15 octobre 2026, elle couvre quatre tailles de 5 à 209 millions de paramètres et produit des prévisions probabilistes. Ce n’est pas un LLM conversationnel ni un assistant qui rédige des réponses.
01 Prévoir plusieurs variables et représenter l’incertitude
Le dépôt documente la prévision multivariée, des covariables passées ou connues dans le futur et des entrées catégorielles. Les sorties comprennent des quantiles, et pas uniquement une courbe centrale. Un cas d’usage doit donc préciser l’horizon de prévision et les informations réellement disponibles à cette date.
La même bibliothèque peut traiter plusieurs séries. Une prévision plausible n’est pas une certitude : vérifier les écarts et l’incertitude sur un historique conservé pour l’évaluation. Aucun résultat métier obtenu avec Timestral n’est revendiqué par Source IA.
02 Quatre tailles, un contexte mesuré en pas temporels
Les tailles documentées sont 5M, 28M, 123M et 209M paramètres. Le dépôt annonce jusqu’à 32 768 pas de contexte et 21 quantiles par pas prévu. Ces pas temporels ne sont pas des tokens de conversation.
La bibliothèque permet l’inférence CPU et propose aussi un choix de périphérique GPU. L’absence de GPU obligatoire ne garantit pas une latence identique sur chaque machine. L’historique, le nombre de variables et l’horizon doivent figurer dans un relevé de performance reproductible.
03 Python local, pas un endpoint de chat
Le parcours publié installe la bibliothèque puis charge un modèle avec TimestralForecaster.. Le premier chargement récupère configuration et poids depuis le dépôt de modèles. Les données peuvent ensuite être fournies comme tableaux NumPy ou tenseurs PyTorch.
Un téléchargement local ne décrit pas tout ton environnement : journalisation, dépendances et autres services utilisés restent à contrôler. Cette fiche ne prétend ni installer le modèle pour toi ni mesurer son comportement hors ligne sur une machine de référence.
04 Code et poids ne partagent pas la même licence
Le dépôt distingue le code sous Apache 2.0 et les poids sous une licence Modified MIT. Lire le texte de la licence du modèle retenu avant de décider d’un usage ou d’une redistribution. Le mot ouvert ne remplace pas cette lecture.
Les quatre tailles sont des choix de déploiement, pas quatre forfaits. Le filtre gratuit signifie ici accès aux fichiers, sans déduire la gratuité du matériel, de l’exploitation ou de tout usage commercial.
05 Budget d’un déploiement local
Périmètre relu le 7 novembre 2026. La source documente une bibliothèque et des poids ; cette fiche ne leur attribue pas un prix universel par appel API.
Le budget à examiner comprend calcul, stockage, maintenance et éventuel hébergement. Ne pas réutiliser les prix de Mistral Large 4 pour une prévision Timestral : le produit, les entrées et le mode d’exploitation diffèrent.
06 Un protocole de prévision contrôlable
- Réserver une période passée comme si elle était encore future.
- Comparer au même horizon une référence simple et Timestral.
- N’utiliser que les covariables qui auraient été connues à la date de départ.
- Examiner erreurs, intervalles et stabilité sur plusieurs périodes.
- Conserver machine, taille de modèle, données et réglages avec les résultats.
C’est une proposition de protocole, pas un benchmark Source IA. Pour apprendre les contraintes d’exécution locale d’autres familles de modèles, consulter Ollama et llama.cpp, sans supposer qu’ils servent directement Timestral.
Sources officielles
- Bibliothèque officielle : modèles, installation et prévision
- Annonce du 15 octobre et périmètre de la famille
- Fiche du modèle 209M
- Licence propre aux poids
Consultées le 7 novembre 2026. Fiche documentaire sur sources éditeur, sans benchmark indépendant ni appel payant de modèle revendiqué.