Mistral AI lance Timestral, des modèles de prévision de séries temporelles

La société française d'intelligence artificielle Mistral AI a publié Timestral le 19 octobre 2026, une famille de modèles de fondation conçus pour la prévision de séries temporelles. La gamme comprend plusieurs tailles, depuis une version compacte de 5 millions de paramètres jusqu'à un modèle phare de 209 millions de paramètres.

Selon les détails de la publication, le modèle Timestral de 209 M se classe premier parmi les modèles en zero-shot sur trois benchmarks : GIFT-Eval, TIME et fev-bench. Le zero-shot désigne ici la capacité du modèle à produire des prévisions sur de nouvelles données sans avoir été affiné pour ce jeu de données particulier.

Face à TimesFM-3 de Google

Timestral aurait surpassé TimesFM-3, le modèle de fondation de Google dédié aux séries temporelles, lors de ces évaluations. La lignée TimesFM compte parmi les modèles les plus connus du domaine. Les informations disponibles ne détaillent pas les scores, et n'indiquent pas si les résultats ont été reproduits de manière indépendante.

Autre point notable : le modèle fonctionne sur un processeur CPU standard plutôt que de nécessiter un GPU. Cela pourrait réduire le coût de déploiement pour les organisations et les développeurs qui n'ont pas accès à du matériel d'accélération spécialisé.

Pourquoi les modèles de prévision comptent

La prévision de séries temporelles sous-tend les prédictions portant sur toute grandeur mesurée dans le temps, comme la demande en électricité, les ventes au détail, les besoins en stock, les indicateurs financiers ou la météo. Les modèles de fondation dans ce domaine visent à remplacer la pratique consistant à entraîner un modèle distinct pour chaque jeu de données par un système unique et polyvalent.

Mistral AI est surtout connue pour ses grands modèles de langage, si bien que Timestral marque une incursion dans les modèles spécialisés pour les données non textuelles. Sa faible empreinte et sa compatibilité CPU pourraient faciliter son intégration dans les systèmes d'entreprise, même si ses performances sur des charges de travail réelles se préciseront à mesure que les utilisateurs le mettront à l'épreuve.