Models
Timestral: Mistral prediu sèries temporals sense targeta gràfica
Mistral AI estrena Timestral, la seva primera família de models per predir sèries temporals, com ara les lectures de sensors. No necessita targeta gràfica i, segons la mateixa empresa, la versió més gran encapçala tres classificacions públiques, tot i que encara no n'ha publicat l'informe tècnic. La llicència no és la MIT habitual: deixa fora les grans empreses, llevat que en negociïn una a part.
Rep el resum diari d'IA
Cada matí, l'essencial de la intel·ligència artificial al teu correu, sense fum. Al dia amb la IA.
En subscriure-t'hi acceptes rebre el butlletí d'AI Informator. Pots donar-te de baixa quan vulguis.
En resum
- Mistral AI va presentar Timestral el 15 d'octubre de 2026 en quatre mides: 5, 28, 123 i 209 milions de paràmetres.
- Segons Mistral, el de 209 milions queda primer a GIFT-Eval, TIME i fev-bench; diu que va enviar els resultats a GIFT-Eval i TIME, però no aclareix si ho va fer amb fev-bench.
- En una CPU de servidor amb 8 fils, predir el dia següent triga 10 mil·lisegons amb el model més petit i 140 amb el més gran, segons l'empresa.
- La llicència «Modified MIT» no en permet l'ús si l'empresa de l'usuari, o aquella per a la qual treballa, va ingressar més de 20 milions de dòlars el mes anterior.
Mistral fa el salt a les sèries temporals
Mistral AI va presentar el 15 d'octubre Timestral, la seva primera família de models fundacionals de sèries temporals. Hi ha quatre mides, que comparteixen arquitectura i recepta d'entrenament: els més grans prediuen millor i els petits són més ràpids i barats.
Cada model llegeix fins a 32.768 passos d'historial i prediu diverses sèries relacionades alhora. També aprofita dades externes, tant històriques com conegudes per endavant, per exemple, un calendari de producció o una previsió meteorològica. La majoria de les dades d'entrenament eren sèries sintètiques.
Tres primers llocs, mesurats per la mateixa Mistral
| Prova | Mètriques | Entrades comparades | Posició del model de 209 M | Puntuació (Timestral / segon) | Enviat a la classificació |
|---|---|---|---|---|---|
| GIFT-Eval | MASE i WQL | 83 entrades comparables, preentrenades i sense ajust | 1r | MASE 0,657 / 0,661; WQL 0,446 / 0,452 (com més baix, millor) | Sí |
| TIME | MASE i CRPS | 35 (tota la classificació) | 1r | MASE 0,626 / 0,637; CRPS 0,522 / 0,534 (com més baix, millor) | Sí |
| fev-bench | SQL skill score | 37 (tota la classificació) | 1r | 50,4 / 49,4 (com més alt, millor) | No hi consta |
Mistral afirma que el seu model de 209 milions és el primer en les tres principals proves públiques del sector entre els models preentrenats que prediuen sense ajust, amb menys paràmetres que el segon classificat. Els marges que publica són estrets, com mostra la taula.
També diu que la versió de 28 milions supera Chronos-2, unes quatre vegades més gran, a GIFT-Eval i TIME. Res d'això és una avaluació independent, i l'informe tècnic amb els resultats complets encara està pendent.
Sense targeta gràfica i en mil·lisegons
| Mida | Temps per predicció | Precisió respecte al de 209 M |
|---|---|---|
| 5 milions | 10 ms | Un 7,2 % més d'error (MASE de GIFT-Eval) |
| 28 milions | Cinc vegades més ràpid que el de 209 M | Un 3,1 % més d'error (MASE de GIFT-Eval) |
| 123 milions | Tres quarts del temps del de 209 M | A un 0,2 % de la seva puntuació |
| 209 milions | 140 ms | Referència |
Per fer prediccions, Timestral no necessita GPU, la targeta gràfica sobre la qual sol funcionar la IA. Mistral ho va mesurar en una CPU de servidor amb 8 fils, amb una previsió del dia següent feta a partir de tres setmanes de dades preses cada 15 minuts. Només dona els mil·lisegons del model més petit i del més gran.
Pensat per a plantes amb milers de sensors
L'exemple de Mistral és una planta industrial. La vibració, la temperatura i la pressió d'una bomba es mouen juntes, i Timestral les prediu alhora en lloc d'anar sensor per sensor. També entén categories, com ara si una màquina està en marxa, en repòs o en manteniment, i, si hi ha una pujada de càrrega programada, l'espera en comptes de prendre-la per una anomalia.
L'empresa proposa, a més, combinar-lo amb els seus models de llenguatge: Timestral detecta l'anomalia i un agent busca avaries semblants, consulta registres i manuals i redacta un diagnòstic. És un esquema de Mistral, no pas un cas de client.
La llicència no és la MIT de sempre
La llicència «Modified MIT» permet utilitzar, copiar, modificar i distribuir el model de franc, com la MIT corrent, però hi afegeix una condició que aquesta no té: ningú no pot exercir aquests drets si la seva empresa, o aquella per a la qual treballa, va superar el mes anterior els 20 milions de dòlars d'ingressos mensuals consolidats a tot el món. La restricció abasta també les versions modificades i derivades.
A aquestes empreses els queden dues sortides: demanar a Mistral una llicència comercial, que concedeix a criteri seu, o fer servir el model a través dels serveis allotjats de l'empresa. Per adaptar-lo a dades pròpies, Mistral l'ofereix a Forge, el seu sistema d'entrenament, que es pot desplegar fins i tot en instal·lacions aïllades d'internet.
Conclusió
Timestral porta a les sèries temporals la recepta dels models de llenguatge: entrenar una vegada a gran escala i reutilitzar el model amb dades noves. Les xifres, de moment, són de Mistral; l'informe tècnic i les classificacions públiques diran si el primer lloc s'aguanta. I, abans de provar-lo, a les grans empreses els convé llegir bé la llicència.
Fonts primàries
Rep el resum diari d'IA
Cada matí, l'essencial de la intel·ligència artificial al teu correu, sense fum. Al dia amb la IA.
En subscriure-t'hi acceptes rebre el butlletí d'AI Informator. Pots donar-te de baixa quan vulguis.
Comentaris