Mistral, que el 6 d'octubre havia presentat el model de llenguatge Large 4, estrena ara una línia de treball diferent: Timestral, la seva primera família de models fundacionals per a sèries temporals, és a dir, dades ordenades en el temps com el consum elèctric, les vendes d'una botiga o la demanda d'un servei. L'anunci és del 15 d'octubre de 2026.
Són quatre models, de 5, 28, 123 i 209 milions de paràmetres, que comparteixen arquitectura i entrenament. Poden predir moltes sèries relacionades a la vegada, donen resultats probabilístics (21 quantils, és a dir, un marge i no una sola xifra), accepten dades externes conegudes amb antelació i treballen amb un historial de fins a 32.768 passos. Segons Mistral, el més gran queda primer en tres proves de referència (GIFT-Eval, TIME i fev-bench) amb unes dues terceres parts dels paràmetres del millor rival anterior, i el de 28 milions supera Chronos-2, que és unes quatre vegades més gran. L'empresa també diu que la major part de les dades d'entrenament són sintètiques.
El detall pràctic és que no necessita targeta gràfica: en un servidor amb processador de 8 fils, una previsió a un dia vista a partir de tres setmanes de dades cada quart d'hora triga uns 10 mil·lisegons amb el model petit i uns 140 amb el gran. El codi és a GitHub i els models són a Hugging Face, amb una llicència MIT modificada, i també es poden fer servir a Mistral Forge, fins i tot en entorns aïllats d'internet. Això el fa atractiu per a empreses que volen predir demanda o consum sense enviar dades a fora.
Les comparacions són de Mistral i es mostren en gràfics, sense les puntuacions exactes en text; l'informe tècnic complet encara no s'ha publicat. Convé esperar-lo, i les proves d'altres equips, abans de donar per bo que superi els rivals en dades reals i no només en proves de referència.