Mistral 发布时间序列模型 Timestral：5M 到 209M 四档，CPU 上 140 毫秒出一天预测
Mistral 第一次做时间序列基础模型，走的是「小到不需要 GPU」的路线。
// 要点
- 共 5M、28M、123M、209M 四个尺寸，同一架构和训练配方；支持 21 个分位数的概率多变量预测、过去与已知未来协变量，上下文 32,768 步。
- 209M 模型在 GIFT-Eval、TIME 和 fev-bench 上位列预训练零样本模型第一，单一检查点、不做集成；28M 模型在 GIFT-Eval 和 TIME 上超过约大 4 倍的 Chronos-2。
- 在 8 线程的普通服务器 CPU 上，用 3 周、15 分钟粒度的历史预测未来一天：5M 模型 10 毫秒，209M 模型 140 毫秒。
- 许可证为 Modified MIT，提供 GitHub 仓库和 Hugging Face 合集，也可通过 Mistral Forge 使用和微调。
开发者视角容量规划、调用量预测这类事，我们一直用规则或者干脆不做。一个 CPU 上百毫秒级、零样本就能用的模型，值得拿来试：我会先用 AI 云盘过去几个月的存储增长和模型调用量做回测，看它能不能替代现在拍脑袋的扩容阈值。上生产前先读清楚 Modified MIT 改了哪些条款。