Timestral : Mistral publie des modèles de prévision qui tournent sans carte graphique

Tous les modèles d'IA ne produisent pas du texte. Le 15 octobre 2026, Mistral AI a présenté Timestral, sa première famille de modèles consacrés aux séries temporelles, c'est-à-dire aux suites de chiffres relevés dans le temps : ventes quotidiennes, consommation électrique, température d'une machine, trafic d'un site.

À quoi ça sert

On fournit au modèle l'historique d'une ou plusieurs séries, il renvoie une prévision pour les pas de temps suivants. Deux particularités :

• Aucun entraînement préalable. Le modèle s'utilise tel quel sur des données qu'il n'a jamais vues.
• Une prévision avec sa marge d'incertitude. Au lieu d'un seul chiffre, Timestral renvoie 21 niveaux de probabilité. On obtient une fourchette, ce qui est plus utile pour dimensionner un stock ou une équipe.

Le modèle accepte aussi des variables d'accompagnement, y compris celles que l'on connaît à l'avance, comme un calendrier de production ou des jours fériés.

Quatre tailles, pas de carte graphique

La famille compte quatre modèles de 5, 28, 123 et 209 millions de paramètres. C'est minuscule à côté d'un modèle de langage, et cela se voit dans les besoins : selon Mistral, aucune carte graphique n'est nécessaire.

L'éditeur donne un exemple chiffré. Sur un processeur de serveur ordinaire avec 8 fils d'exécution, prévoir une journée à partir de trois semaines de relevés au quart d'heure prend 17 millisecondes avec le plus petit modèle et 113 millisecondes avec le plus grand.

Installation

Le dépôt GitHub demande Python 3.10 ou plus récent et PyTorch 2.4 ou plus récent :

pip install git+https://github.com/mistralai/timestral.git

Les poids se chargent ensuite depuis Hugging Face, sous les noms mistralai/Timestral-5M, Timestral-28M, Timestral-123M et Timestral-209M. Le README fournit un exemple de quelques lignes en Python.

Deux licences à distinguer

• Le code de la bibliothèque est sous licence Apache 2.0.
• Les poids des modèles sont distribués à part, sous une licence « MIT modifiée ». Le README précise qu'ils ne doivent pas être utilisés d'une manière qui porte atteinte aux droits de tiers.

Lisez le texte joint aux poids sur Hugging Face avant un usage commercial : « MIT modifiée » ne veut pas dire MIT.

Les chiffres annoncés

Mistral affirme que le modèle de 209 millions de paramètres arrive en tête des modèles pré-entraînés utilisés sans adaptation sur trois jeux d'évaluation publics (GIFT-Eval, TIME et fev-bench). Ces mesures ont été réalisées par Mistral, qui dit avoir soumis ses résultats aux classements GIFT-Eval et TIME.

Les écarts sont faibles. Sur GIFT-Eval, par exemple, Timestral obtient 0,4460 contre 0,4520 pour son suivant immédiat, sur un indicateur d'erreur où le plus bas est le meilleur.

Les limites

• L'historique pris en compte est plafonné à 32 768 pas de temps.
• Au-delà de 1 024 pas, la prévision se fait par blocs successifs, chaque bloc s'appuyant sur la médiane du précédent. La précision à long terme est donc à contrôler.
• Mistral le reconnaît : les données d'une entreprise peuvent se comporter autrement que les jeux d'évaluation publics, et évoluer avec le temps.
• Le dépôt n'accepte pas de contributions extérieures, et l'assistance n'est pas garantie.

Notre lecture

C'est l'un des rares projets récents qu'une PME peut essayer sans budget matériel : un ordinateur de bureau suffit. La bonne méthode est de rejouer le passé. Donnez au modèle vos chiffres jusqu'à une date donnée, comparez sa prévision à ce qui s'est réellement produit, puis comparez avec votre méthode actuelle, même s'il s'agit d'un simple tableur. Si Timestral ne fait pas mieux sur vos données, les classements n'y changeront rien.