Mistral AI、時系列予測モデル群「Timestral」を発表

Mistral AIは2026年10月15日、企業データの予測を目的とした時系列基盤モデルの新ファミリー「Timestral」を発表した。センサーのテレメトリ、電力使用量、金融フローといったデータの予測生成を想定している。

Mistralの発表内容

Timestralは500万、2,800万、1億2,300万、2億900万パラメータの4サイズで構成される。Mistralによると、4モデルはいずれも同一のアーキテクチャと学習手法を共有している。同社は、最大モデルがこの分野の主要な公開ベンチマークと位置づける3つ、すなわちGIFT-Eval、TIME、fev-benchのすべてで首位を獲得し、従来の最高性能モデルをパラメータ数約3分の2で上回ったとしている。Mistralは、これらの結果は単一のチェックポイントによるものでアンサンブルは用いておらず、GIFT-EvalとTIMEのリーダーボードにも結果を提出済みだと説明している。

Mistralによれば、これらのモデルは確率的かつ多変量の予測を生成し、過去データのみの共変量に加え、生産スケジュールや天気予報といった未来が既知の共変量も取り込んで予測精度を高められる。また、機械の稼働状態といったカテゴリカルな入力も、人為的な順序を強いる数値変換をせずに扱えるという。

技術的な詳細

Mistralによると、Timestralの推論にGPUは不要だ。同社は、15分間隔で3週間分の履歴から1日先を予測する場合、8スレッドの標準的なサーバーCPU上で500万パラメータモデルなら10ミリ秒、2億900万パラメータモデルなら140ミリ秒で処理できるとしている。また、2,800万パラメータモデルは2億900万パラメータモデルの5倍の速度で動作し、1億2,300万パラメータモデルはレイテンシを4分の3に抑えつつ、ベンチマークスコアは2億900万パラメータモデルの0.2%差に収まるという。

Mistralはこれらの成果について、近く公開予定の技術レポートで詳述するとしたいくつかの技術的工夫によるものと説明している。その一つが同社が「Decoupled Horizon Forecasting」と呼ぶ手法で、予測対象の値を欠損データとしてマスクするのではなく、学習シーケンスに全履歴を保持したまま、学習済みの予測トークンがその履歴を参照する仕組みだという。さらに、未来が既知の共変量を入力ウィンドウ全体で可視化しつつ、共変量から予測対象への情報の流れは制限する「共変量対応アテンション機構」も採用している。モデルはまず、現実的な時間パターンを模した合成データを中心に学習し、その後の第2段階でより長いコンテキストウィンドウを用いた実データを混合して学習したとしている。

Mistralによれば、モデルのコンテキスト長は3万2,768タイムステップで、出力は21分位にわたる確率的予測として与えられる。同社は、これらのモデルを改変版MITライセンスのもとで公開し、オンプレミス、VPC、エアギャップ環境のいずれにも展開可能としている。

提供方法と適応

Mistralによると、Timestralは同社が言語モデルにも用いている学習パイプライン「Mistral Forge」を通じて提供され、顧客は独自データでのファインチューニング、業界特有の共変量の追加、学習データの混合比率の調整が可能になる。このパイプラインは、エアギャップ環境を含め、顧客自身のハードウェア上に展開できるという。

MistralはGitHubリポジトリを公開しており、利用者は自身のデータでTimestralを実行できる。同社は、全結果を記載した技術レポートを今後公開するとしている。

出典:Mistral AI、「Introducing Timestral」、2026年10月15日公開。