Timestral dari Mistral meramal deret waktu dan jalan di CPU

Mistral merilis Timestral, keluarga time-series foundation model yang meramal nilai ke depan dari data historis tanpa perlu dilatih lebih dulu di dataset tertentu. Ada empat ukuran, dari 5 juta sampai 209 juta parameter, semuanya memakai satu arsitektur yang sama. Menurut Mistral, versi 209M menempati peringkat pertama di antara model pretrained zero-shot pada GIFT-Eval, TIME, dan fev-bench, tiga benchmark publik utama untuk tugas ini, dan hasil itu diraih dari satu checkpoint tanpa ensembling. Model 28M yang lebih kecil disebut mengalahkan Chronos-2 yang ukurannya sekitar empat kali lebih besar.

Ukuran yang ringan itu penting karena model ini bisa berjalan di perangkat biasa. Pada CPU server standar dengan 8 thread, meramal satu hari ke depan dari tiga minggu data per 15 menit memakan sekitar 10 milidetik untuk model 5M dan 140 milidetik untuk yang terbesar. Sisi teknis yang menarik adalah pendekatan yang Mistral sebut Decoupled Horizon Forecasting: alih-alih menutupi nilai yang ingin diprediksi, model menyimpan seluruh riwayat dalam urutan dan memakai forecast token terpisah yang membaca semua data sebelumnya, sehingga tiap nilai yang teramati berfungsi sebagai target sekaligus konteks. Model ini juga menandai input mana yang termasuk known-future covariate, misalnya promo yang sudah dijadwalkan atau rencana penghentian mesin, dan hanya mengalirkan informasi dari situ ke hasil ramalan. Sebagian besar data latihnya sintetis, dan model dirilis dengan lisensi Modified MIT di GitHub dan Hugging Face.

Satu catatan: peringkat benchmark dan angka kecepatan berasal dari Mistral sendiri, dan laporan teknis lengkapnya belum terbit, jadi angka-angka itu belum diverifikasi pihak independen.

Kenapa ini penting

Kalau Anda meramal permintaan, pembacaan sensor, atau arus keuangan, model yang jalan di CPU menghapus biaya dan latensi GPU yang biasa dibutuhkan untuk pekerjaan semacam ini, dan sifat zero-shot berarti Anda bisa mencobanya langsung di data Anda sebelum repot melatih apa pun. Tunggu laporan teknisnya, lalu uji terhadap baseline statistik atau model internal yang Anda pakai sekarang.