Mistralの時系列予測モデル「Timestral」公開、CPUでも高速動作

基本情報
| 項目 | 内容 |
|---|---|
| 公開元 | Mistral AI |
| 公開日 | 2026-10-15 |
| 出典の種類 | 公開元の一次情報(Mistral公式ブログからの一次情報) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
Mistral AIは、同社初となる時系列基盤モデル(Time Series Foundation Models: TSFM)のファミリー「Timestral」を公開しました。確率的かつ多変量な予測(probabilistic, multivariate forecasts)に対応しており、過去の履歴に加えて既知の将来共変量(known-future covariates)やカテゴリカル共変量を入力として活用できる点が特徴です。
本モデルファミリーは5M、28M、123M、209Mの4つのパラメータサイズで提供されています。最大サイズである209Mモデルであっても、主要な時系列公開ベンチマークであるGIFT-Eval、TIME、fev-benchの3つすべてにおいて、従来の最高水準モデルをより少ないパラメータ数で上回り、事前学習済みゼロショットモデルの中で首位を獲得したと報告されています。推論時にGPUを必須とせず、CPU環境でも高速に動作するように設計されています。
スペック
- パラメータ数: 5M、28M、123M、209M(全4サイズ展開)
- アーキテクチャ: 4サイズ共通のアーキテクチャを採用(Decoupled Horizon Forecastingおよび共変量認識アテンション機構)
- コンテキスト長: 32,768タイムステップ(8,192ステップで合成データによる大規模事前学習後、実データと合成データの混合により4倍長へ拡張)
- 入力形式: 多変量ターゲット系列、過去のみの共変量、既知の将来共変量、カテゴリカル共変量
- 出力形式: 確率的予測(CRPSの離散近似となるピンボール損失を用いた21の分位点予測)
性能
公開元の発表によると、Timestralは時系列予測における主要な3つの公開ベンチマーク(GIFT-Eval、TIME、fev-bench)で評価され、アンサンブルを用いない単一チェックポイントの事前学習・ゼロショットモデルにおいて、全5指標で1位を記録しました。結果はGIFT-EvalおよびTIMEのリーダーボードに提出されています。
ベンチマークごとの評価指標と測定条件は以下のとおり公表されています。
- GIFT-Eval(比較対象83件中上位10件、値が低いほど優秀): GMean MASE、GMean WQL
- TIME(リーダーボード登録35件中上位10件、値が低いほど優秀): GMean MASE、GMean CRPS
- fev-bench(リーダーボード登録37件中上位10件、値が高いほど優秀): SQL skill score
公開元が公表したモデルサイズと精度のトレードオフ(パレートフロント)に関する結果からは、既存の大規模な時系列モデルとの明確な比較が示されています。
- 28Mモデルは、自身の約4倍のサイズを持つChronos-2をGIFT-EvalおよびTIMEの両方で上回っています。
- 209Mモデルは、先行する主要モデルであるTimesFM-3やFalcon-2.0を、より少ないパラメータ数で上回っています。
- ファミリー内のバランスとして、123Mモデルは209Mモデルのスコアに対して0.2%以内の僅差にとどまりながら、レイテンシは209Mモデルの4分の3(75%)に抑えられています。
- 28Mモデルは209Mモデルに対して5倍の速度で動作します。
推論速度に関しては、標準的なサーバーCPU(8スレッド)を用いた実測値として、3週間分の15分刻み履歴データから1日先を予測するレイテンシが、5Mモデルで10 ms、209Mモデルで140 msと報告されています。GPUを必要としない効率的な推論性能を示している一方で、モデルサイズが小さくなるほど速度が向上する代わりに予測精度が一定程度低下するトレードオフが存在することも明記されています。また、これらのスコアはすべてMistral AI自身による公表値です。
得意なこと・想定用途
Timestralは、多様なドメインにおけるゼロショットでの時系列予測や、複数系列が相互に影響し合う複雑なシステムの予測・監視を得意としています。
具体的には、以下のようなタスクや運用形態が想定されています。
- 多変量時系列データの同時予測:
産業プラントのポンプにおける振動・温度・圧力のように、互いに独立せず連動して推移するセンサーデータを個別に切り離すことなく、依存関係を考慮した同時モデリングが可能です。 - 不確実性を考慮した確率的予測:
単一の予測値を出力する決定論的アプローチではなく、21個の分位点を予測することで予測の不確実性の幅を提示できます。これにより、単一の数値に頼るのではなく、リスクの幅に基づいたアラートのしきい値設定やメンテナンス計画の策定が行えます。 - 将来情報やカテゴリ情報の直接活用:
生産スケジュール、計画停止、気象予報といったあらかじめ分かっている将来情報(既知の将来共変量)や、曜日、設備の稼働状態(稼働中、アイドル、メンテナンス中)といったカテゴリカル共変量を直接モデルに与えることができます。ターゲット系列の未来情報を漏洩させることなく、予測精度を向上させることが可能です。 - 産業設備・金融領域の予測と計画:
産業現場では、機器の故障前のドリフト検知、数千規模の設備にわたるキャパシティ計画や予備部品の管理に適しています。また金融分野では、口座間の資金フロー、取引量、ボラティリティなどの予測を通じて、ポジション管理やヘッジ、財務管理に役立ちます。 - 言語モデルと連携した自律型エージェントワークフロー:
既存の監視パイプラインに組み込むだけでなく、言語モデルと組み合わせたマルチモーダルなエージェント運用が想定されています。例えば、Timestralがセンサーデータストリームから異常を検知した際、エージェントが過去の障害履歴の埋め込み表現と比較し、点検記録やマニュアル、シフト記録を横断して根本原因分析を行い、具体的な診断や次のアクション案を現場管理者に提示するようなシステムを構築できます。 - ドメイン適応とファインチューニング:
事前学習モデルによるゼロショット予測のままでも高い性能を発揮しますが、Mistral Forgeを通じて独自のセンサー仕様や社内データに合わせたファインチューニングや合成データの生成、ドメイン特化型共変量の拡張にも対応しています。
入手方法
TimestralのコードはGitHubリポジトリとして公開されており、Modified MITライセンスのもとで提供されています。オンプレミス環境、プライベートクラウド(VPC)、およびインターネットから隔離されたエアギャップ環境での展開に対応しています。
Python環境(Python 3.10以上、PyTorch 2.4以上)において、pipコマンドを用いてGitHubリポジトリから直接インストールできます。
pip install git+https://github.com/mistralai/timestral.git
uvパッケージマネージャーを利用する場合は、リポジトリをクローンして固定された依存関係(uv.lock)から環境を構築することも可能です。
git clone https://github.com/mistralai/timestral.git && cd timestral
uv sync --frozen
source.venv/bin/activate
関連記事
- Mistral Large 4 (Le Chonk)公開:1Tパラメータのマルチモーダルモデル
- Mistral Large 4の公開プレビュー開始、1.05兆パラメータのMoEモデル
- Mistral AIが音声認識・音声合成モデル「Voxtral 3」を発表

