Mistral lança Timestral: modelo de 209M de parâmetros lidera três benchmarks

A Mistral AI lançou o Timestral, sua primeira linha de modelos de fundação para previsão de séries temporais. A versão maior tem apenas 209M de parâmetros, mas, segundo os resultados da Mistral, ocupa o primeiro lugar nos três principais benchmarks públicos: GIFT-Eval, TIME e fev-bench. O recordista anterior era cerca de um terço maior. Entre os modelos pré-treinados zero-shot, o Timestral lidera nas cinco métricas, e os resultados vêm de um único checkpoint, sem ensemble.

Por que modelos de fundação para séries temporais

Séries temporais existem em qualquer empresa: telemetria de sensores, métricas de observabilidade, fluxos financeiros, estoques em armazém. É sobre elas que se constroem o planejamento de capacidade, energia, cadeias de suprimentos e manutenção de equipamentos. Métodos clássicos como ARIMA e regressão linear aprendem com o histórico de uma única série e nada sabem sobre as séries vizinhas. Redes neurais como o PatchTST capturam padrões não lineares entre séries relacionadas, mas costumam ser treinadas do zero para cada dataset, e o que aprenderam não é transferido para novas áreas.

O Timestral adota uma abordagem já conhecida dos modelos de linguagem: pré-treinamento em um corpus grande e heterogêneo, depois do qual o modelo faz previsões sobre dados que nunca viu. Isso ajuda onde há pouco histórico. A Mistral aponta três ingredientes da receita: pré-treinamento sintético, atenção com reconhecimento de covariáveis e treinamento com contexto longo.

Tamanhos, velocidade e comparação com concorrentes

A família tem quatro modelos, com a mesma arquitetura e uma única receita de treinamento. De acordo com a Mistral, cada um deles fica na fronteira de Pareto de "precisão versus tamanho": na sua escala, não há modelo público melhor.

• Tamanhos: 5M, 28M, 123M e 209M de parâmetros.
• O de 209M supera o TimesFM-3 e o Falcon-2.0 com menos parâmetros.
• O de 28M supera o Chronos-2, que é cerca de quatro vezes maior, no GIFT-Eval e no TIME.
• O de 123M fica apenas 0,2% atrás do de 209M na pontuação, mas opera com três quartos da latência.
• O de 28M é cinco vezes mais rápido que o modelo maior.
• Amostra nas tabelas: 83 entradas comparáveis no GIFT-Eval, 35 no TIME e 37 no fev-bench.

Não é preciso GPU para inferência. Em uma CPU de servidor padrão com 8 threads, uma previsão para o dia seguinte, a partir de três semanas de histórico em intervalos de 15 minutos, leva 10 ms no modelo de 5M e 140 ms no de 209M. Os resultados foram enviados aos leaderboards do GIFT-Eval e do TIME.

O que o modelo faz na prática

A Mistral demonstra as capacidades com o exemplo de uma planta industrial com milhares de sensores. O modelo prevê séries relacionadas em conjunto: vibração, temperatura e pressão de uma bomba dependem umas das outras, e o Timestral usa essas relações em vez de tratar cada sensor isoladamente. A previsão é probabilística, ou seja, o modelo entrega um conjunto de quantis. A equipe enxerga a largura da incerteza, ajusta os limites de alerta de acordo com ela e planeja a manutenção levando em conta o risco, e não com base em um único número. O modelo aceita tanto covariáveis conhecidas apenas no passado quanto covariáveis conhecidas com antecedência, como o cronograma de produção. Covariáveis categóricas também são suportadas.

Para quem e como aplicar

Para equipes cujas previsões vivem como um conjunto de scripts em ARIMA ou de redes neurais feitas em casa, o Timestral oferece uma linha de base pronta, sem treinamento: basta fornecer o histórico e receber os quantis. Como não exige GPU, o modelo pode rodar ao lado dos dados em servidores comuns e, com milhares de séries, permite escolher entre o de 28M, pela velocidade, e o de 209M, pela precisão. Para domínios específicos, a Mistral oferece ajuste fino pelo Forge. Antes de adotá-lo, vale rodar o modelo nos seus próprios dados históricos e comparar com a solução atual: os benchmarks públicos mostram o nível geral, mas não garantem resultado em sensores ou séries financeiras específicos.