Mistral AI「Timestral」発表 時系列予測の基盤モデルが主要3ベンチマークで首位
Mistral AIは2026年10月15日、時系列予測に特化した基盤モデルファミリー「Timestral」を発表した。5M〜209Mパラメータの4サイズ構成で、最大モデルがGIFT-Eval・TIME・fev-benchの主要3ベンチマーク全てで首位を獲得。Modified MITライセンスのオープンソースとして公開されている。
発表の概要
Timestralは時系列データを対象とした基盤モデルだ。ゼロショット予測に対応しており、ファインチューニングなしに初見のデータへ推論を適用できる。コンテキスト長は32,768タイムステップで、出力は確率的予測を返す。需要予測・在庫最適化・設備保全・エネルギー予測といった用途を想定しており、Mistral Forgeでのファインチューニングおよびエアギャップ環境（インターネットに接続しない閉鎖ネットワーク）へのデプロイにも対応する。
公式ブログでは「209Mパラメータという小ささで主要3ベンチマーク全て首位を獲得し、前SoTAのパラメータ数の3分の2で性能を上回った」（筆者意訳）と説明されている。
主要スペックと性能
モデルは5M・28M・123M・209Mの4サイズ構成。CPUのみでも推論可能で、5Mモデルで10ms・209Mモデルで140msの推論速度を達成している（3週間分の15分間隔データから1日先予測の測定値）。
ベンチマーク成績は以下のとおり。
・GIFT-Eval: 83件中1位
・TIME: 35件中1位
・fev-bench: 37件中1位
GIFT-EvalおよびTIMEベンチマークにおいて、約4倍のパラメータ数を持つChronos-2を28Mモデルが上回っている。
中小企業の需要予測・在庫管理への活用
CPU推論が可能なオープンソースモデルという点は、中小企業のIT投資環境において特に意味が大きい。クラウドGPUを借りる場合の月額コストは数万円から数十万円に達することもあるが、Timestralは既存のオンプレミスサーバーやローカルPCで動作するため、追加のインフラ投資なしに導入できる。Modified MITライセンスのためライセンス料も発生しない。
具体的な適用イメージとしては、小売・ECでの週次需要予測による欠品・過剰在庫の削減、製造業での部品調達量の最適化、食品・飲食業での廃棄ロスの最小化などが考えられる。
従来のARIMA・Prophetといった統計モデルは、新しいSKUや季節変動の強い商品に対して個別のパラメータ調整が必要だった。Timestralはゼロショットでいずれのデータにも推論を開始できるため、初期設定の工数を大幅に削減できる点が、専任のデータサイエンティストを持たない中小企業には特にメリットとなる。
出典: Mistral AI（出典：Mistral AI 公式ブログ「Introducing Timestral」 2026年10月15日）
