时间序列预测不再从零训练：Mistral的209M模型在三大公开榜单登顶，CPU上140毫秒出一天预测

时间序列预测多了一个可直接拿来用的预训练基础模型系列，企业传感器、能源、供应链等场景的预测不必再为每个数据集单独训练模型。 经典ARIMA和线性回归通常只拟合单条序列、只从该序列历史学习；PatchTST等深度学习模型能跨多条相关序列学非线性模式，但仍需在每个数据集上从零训练，学到的内容无法迁移到新领域。 在GIFT-Eval、TIME和fev-bench三个公开预测基准上，Timestral在预训练零样本模型中五项指标全部第一，且结果来自单一检查点、未做集成；GIFT-Eval对比83个条目，TIME对比35个，fev-bench对比37个。

模型把相关序列放在一起联合预测，并直接接收类别型与已知未来协变量，输出的是分位数而非单点值。 逐传感器孤立预测会丢掉振动、温度、压力之间的相互解释关系，单点预测也无法表达不确定性宽度。 模型输出21个分位数作为概率预测；协变量按目标变量、仅过去协变量、已知未来协变量三种角色进入注意力，信息只从协变量流向目标，避免把目标自身的未来泄漏进预测。

训练数据以合成序列为主，先在大规模纯合成数据上以8192上下文预训练，再在真实与合成混合数据上以四倍长上下文后训练。 真实工业与金融序列在公开语料中覆盖有限，纯真实数据预训练难以覆盖多样的趋势、季节性与噪声形态。 合成阶段先生成具有连贯时间动态的单变量过程，再用多变量合成器在过程间引入非线性依赖；训练目标为21个分位数上的pinball损失，是CRPS的离散近似。

已展示的范围是预训练零样本预测：在GIFT-Eval、TIME和fev-bench三个公开基准的预训练零样本条目中排名第一，结果来自单一检查点、未做集成。四个尺寸为5M、28M、123M和209M参数，上下文长度32768个时间步，输出21个分位数，采用修改版MIT许可，可本地、VPC或隔离环境部署。推理测例为8线程标准服务器CPU、三周15分钟粒度历史预测未来一天。发布方表示已公开GitHub仓库以便在自有数据上运行，完整结果的技术报告将随后发布。

公开基准衡量的是通用表现，而生产数据在行为与结构上可能显著不同，并会随市场状态变化、设备退化与需求模式迁移而漂移，发布方把持续适配与再训练视为长期价值所在。合成数据占训练数据多数，真实与合成混合的后训练配比未在材料中给出。各尺寸的精度与延迟权衡以具体测例给出，28M比209M快五倍、123M在四分之三延迟下分数差0.2%以内，这些数字对应的是所述CPU测例而非全部部署环境。