Mistral AI เปิดตัว Timestral ตระกูลโมเดลพยากรณ์ข้อมูลอนุกรมเวลา
Mistral AI เปิดตัว Timestral ตระกูลโมเดลพื้นฐานสำหรับพยากรณ์ข้อมูลอนุกรมเวลาที่มี 4 ขนาด ซึ่งบริษัทระบุว่าทำคะแนนอันดับหนึ่งในเกณฑ์มาตรฐานสาธารณะด้านการพยากรณ์ 3 รายการ
คำตอบโดยย่อ
Mistral AI ประกาศอะไรเกี่ยวกับ Timestral?
Mistral AI เปิดตัว Timestral ตระกูลโมเดลพื้นฐานสำหรับข้อมูลอนุกรมเวลารุ่นแรกของบริษัท โดยมีให้เลือก 4 ขนาด ตั้งแต่ 5 ล้านถึง 209 ล้านพารามิเตอร์ บริษัทระบุว่าโมเดลขนาดใหญ่ที่สุดของตนครองอันดับหนึ่งในเกณฑ์มาตรฐานการพยากรณ์สาธารณะ 3 รายการ และโมเดลเหล่านี้สามารถทำงานบน CPU ได้โดยไม่ต้องใช้ GPU
ประเด็นสำคัญ
- Mistral AI เปิดตัว Timestral ตระกูลโมเดลพื้นฐานสำหรับข้อมูลอนุกรมเวลารุ่นแรกของบริษัท เมื่อวันที่ 15 ตุลาคม 2026
- ตระกูลโมเดลนี้มี 4 ขนาด ได้แก่ 5M, 28M, 123M และ 209M พารามิเตอร์ ซึ่งทั้งหมดใช้สถาปัตยกรรมและสูตรการฝึกฝนเดียวกัน
- Mistral ระบุว่าโมเดลขนาด 209M พารามิเตอร์ของตนครองอันดับหนึ่งในเกณฑ์มาตรฐานสาธารณะหลักด้านการพยากรณ์ข้อมูลอนุกรมเวลาทั้ง 3 รายการ ได้แก่ GIFT-Eval, TIME และ fev-bench
- บริษัทระบุว่าโมเดลเหล่านี้ทำงานบน CPU ได้โดยไม่ต้องใช้ GPU และรองรับการพยากรณ์แบบหลายตัวแปรและความน่าจะเป็น ด้วยโคเวอริเอตทั้งในอดีตและอนาคต
- Timestral พร้อมใช้งานผ่าน Mistral Forge สำหรับการปรับแต่งโมเดล และมีการเผยแพร่ repository บน GitHub เพื่อให้ผู้ใช้นำโมเดลไปใช้กับข้อมูลของตนเองได้
Mistral AI เปิดตัว Timestral เมื่อวันที่ 15 ตุลาคม 2026 ซึ่งเป็นตระกูลโมเดลพื้นฐานสำหรับข้อมูลอนุกรมเวลารูปแบบใหม่ ที่ออกแบบมาเพื่อสร้างการพยากรณ์สำหรับข้อมูลระดับองค์กร เช่น ข้อมูลจากเซนเซอร์ การใช้พลังงาน และกระแสเงินสดทางการเงิน
สิ่งที่ Mistral ประกาศ
Timestral มีให้เลือก 4 ขนาด ได้แก่ 5 ล้าน, 28 ล้าน, 123 ล้าน และ 209 ล้านพารามิเตอร์ ทั้ง 4 ขนาดใช้สถาปัตยกรรมและสูตรการฝึกฝนเดียวกัน ตามข้อมูลของ Mistral บริษัทระบุว่าโมเดลขนาดใหญ่ที่สุดครองอันดับหนึ่งในเกณฑ์มาตรฐานสาธารณะหลักทั้ง 3 รายการของสาขานี้ ได้แก่ GIFT-Eval, TIME และ fev-bench โดยมีประสิทธิภาพเหนือกว่าเทคโนโลยีล้ำหน้าที่สุดเดิม ขณะที่ใช้พารามิเตอร์เพียงประมาณสองในสามเท่านั้น Mistral ระบุว่าผลลัพธ์เหล่านี้มาจากจุดตรวจสอบ (checkpoint) เดียว โดยไม่มีการรวมโมเดลหลายตัว (ensembling) และบริษัทได้ส่งผลการทดสอบเข้าสู่กระดานผู้นำของ GIFT-Eval และ TIME แล้ว
Mistral ระบุว่าโมเดลเหล่านี้สร้างการพยากรณ์แบบความน่าจะเป็นและหลายตัวแปร และสามารถรับข้อมูลโคเวอริเอต (covariates) ทั้งที่เป็นข้อมูลในอดีตเพียงอย่างเดียวและข้อมูลอนาคตที่ทราบล่วงหน้า เช่น กำหนดการผลิตหรือพยากรณ์อากาศ เพื่อเพิ่มความแม่นยำของการพยากรณ์ บริษัทยังระบุว่าโมเดลเหล่านี้สามารถรองรับข้อมูลประเภทหมวดหมู่ (categorical) เช่น สถานะการทำงานของเครื่องจักร ได้โดยไม่ต้องแปลงเป็นตัวเลขซึ่งจะสร้างลำดับที่ไม่เป็นธรรมชาติ
รายละเอียดทางเทคนิค
ตามข้อมูลของ Mistral, Timestral ไม่จำเป็นต้องใช้ GPU ในการประมวลผล บริษัทระบุว่าบนเซิร์ฟเวอร์ CPU มาตรฐานที่มี 8 เธรด การพยากรณ์ล่วงหน้า 1 วันจากข้อมูลประวัติ 3 สัปดาห์ที่บันทึกทุก 15 นาที ใช้เวลา 10 มิลลิวินาทีสำหรับโมเดล 5M และ 140 มิลลิวินาทีสำหรับโมเดล 209M Mistral ระบุว่าโมเดล 28M เร็วกว่าโมเดล 209M ถึง 5 เท่า และโมเดล 123M ให้คะแนนเกณฑ์มาตรฐานใกล้เคียงกับโมเดล 209M ในระดับต่างกันเพียง 0.2% ขณะที่ใช้เวลาประมวลผลเพียงสามในสี่ของเวลาที่โมเดล 209M ใช้
Mistral ให้เครดิตผลลัพธ์เหล่านี้กับผลงานทางเทคนิคหลายรายการ ซึ่งบริษัทระบุว่าจะมีการอธิบายรายละเอียดในรายงานทางเทคนิคที่จะเผยแพร่ในเร็ววัน ซึ่งรวมถึงวิธีการที่บริษัทเรียกว่า Decoupled Horizon Forecasting ซึ่งระบุว่าจะเก็บข้อมูลประวัติทั้งหมดไว้ในลำดับการฝึกฝน ขณะที่โทเค็นการพยากรณ์ที่ผ่านการเรียนรู้จะอ่านข้อมูลจากประวัตินั้น แทนที่จะปิดบังค่าพยากรณ์ในลักษณะข้อมูลที่ขาดหายไป บริษัทยังอธิบายถึงกลไกความสนใจ (attention) ที่คำนึงถึงโคเวอริเอต ซึ่งจะทำให้โคเวอริเอตในอนาคตที่ทราบล่วงหน้ายังคงมองเห็นได้ตลอดช่วงข้อมูลนำเข้า ขณะที่จำกัดการไหลของข้อมูลจากโคเวอริเอตไปยังค่าเป้าหมาย และระบุว่าโมเดลเหล่านี้ได้รับการฝึกฝนหลักด้วยข้อมูลสังเคราะห์ที่สร้างขึ้นเพื่อเลียนแบบรูปแบบเวลาที่สมจริง ก่อนที่จะเข้าสู่ขั้นตอนการฝึกฝนที่สองซึ่งผสมข้อมูลจริงเข้ามาพร้อมกับหน้าต่างบริบท (context window) ที่ยาวขึ้น
Mistral ระบุว่าความยาวบริบทของโมเดลอยู่ที่ 32,768 ขั้นตอนเวลา โดยผลลัพธ์จะแสดงเป็นการพยากรณ์แบบความน่าจะเป็นครอบคลุม 21 ควอนไทล์ บริษัทระบุว่าโมเดลเหล่านี้เผยแพร่ภายใต้ใบอนุญาต MIT ฉบับดัดแปลง และสามารถนำไปติดตั้งใช้งานได้ทั้งแบบ on-premises, ใน VPC หรือในสภาพแวดล้อมที่ตัดขาดจากเครือข่ายภายนอก (air-gapped)
ความพร้อมใช้งานและการปรับใช้
Mistral ระบุว่า Timestral พร้อมใช้งานผ่าน Mistral Forge ซึ่งเป็นไปป์ไลน์การฝึกฝนเดียวกันที่บริษัทใช้กับโมเดลภาษาของตน ทำให้ลูกค้าสามารถปรับแต่งโมเดลให้เหมาะกับข้อมูลที่เป็นกรรมสิทธิ์ของตนเอง เพิ่มโคเวอริเอตเฉพาะด้าน และควบคุมสัดส่วนข้อมูลที่ใช้ฝึกฝนได้ บริษัทระบุว่าไปป์ไลน์นี้สามารถนำไปติดตั้งบนฮาร์ดแวร์ของลูกค้าเองได้ รวมถึงในสภาพแวดล้อมที่ตัดขาดจากเครือข่ายภายนอก
Mistral ได้เผยแพร่ repository บน GitHub เพื่อให้ผู้ใช้สามารถนำ Timestral ไปใช้กับข้อมูลของตนเองได้ และบริษัทระบุว่าจะมีรายงานทางเทคนิคพร้อมผลลัพธ์ฉบับสมบูรณ์ตามมาในภายหลัง
ที่มา: Mistral AI, "Introducing Timestral," เผยแพร่เมื่อวันที่ 15 ตุลาคม 2026
คำถามที่พบบ่อย
- Timestral คืออะไร?
- Timestral คือตระกูลโมเดลพื้นฐานสำหรับข้อมูลอนุกรมเวลารุ่นแรกของ Mistral AI ซึ่งออกแบบมาเพื่อสร้างการพยากรณ์แบบความน่าจะเป็นและหลายตัวแปร
- Timestral มีขนาดใดบ้าง?
- Mistral เปิดตัว 4 ขนาด ได้แก่ 5M, 28M, 123M และ 209M พารามิเตอร์ ซึ่งทั้งหมดใช้สถาปัตยกรรมและสูตรการฝึกฝนเดียวกัน
- Mistral ระบุว่า Timestral มีประสิทธิภาพอย่างไรในเกณฑ์มาตรฐาน?
- Mistral ระบุว่าโมเดลขนาด 209M พารามิเตอร์ของตนครองอันดับหนึ่งในเกณฑ์มาตรฐานการพยากรณ์สาธารณะหลักทั้ง 3 รายการ ได้แก่ GIFT-Eval, TIME และ fev-bench โดยมีประสิทธิภาพเหนือกว่าเทคโนโลยีล้ำหน้าที่สุดเดิม ด้วยพารามิเตอร์ที่น้อยกว่า
- Timestral จำเป็นต้องใช้ GPU ในการทำงานหรือไม่?
- ไม่จำเป็น Mistral ระบุว่าโมเดลเหล่านี้ทำงานบน CPU มาตรฐานได้ โดยในการทดสอบที่ระบุไว้ โมเดล 5M ใช้เวลาพยากรณ์ 10 มิลลิวินาที และโมเดล 209M ใช้เวลา 140 มิลลิวินาที สำหรับการพยากรณ์ล่วงหน้า 1 วัน