# Mistral تطلق Timestral، عائلة نماذج للتنبؤ بالسلاسل الزمنية

> تتراوح أحجام النماذج الجديدة بين 5M و209M من المعلمات، وتتصدر المعايير العامة للتنبؤات متعددة المتغيرات والاحتمالية.

Oossa · 2026-10-15 · https://oossa.com/ar/mistral-launches-timestral-a-family-of-time-series-forecasting-models

أعلنت Mistral إطلاق Timestral، أول مجموعة من نماذجها الأساسية للسلاسل الزمنية. يضم أكبر نموذج 209 مليون معلمة، ويتصدر ثلاثة من أبرز معايير التنبؤ العامة—GIFT‑Eval وTIME وfev‑bench—مع عدد معلمات أقل من النماذج التي سبقته في الصدارة. تتوفر النماذج بأربعة أحجام (5 M و28 M و123 M و209 M)، وتعمل على وحدات المعالجة المركزية (CPU) العادية، ما يعني عدم الحاجة إلى وحدة معالجة رسومات (GPU) للاستدلال. وتدعم النماذج البيانات السابقة فقط، والمتغيرات المصاحبة المستقبلية المعروفة، كما تقدم تنبؤات احتمالية بـ21 قيمة كمية.

## الحقائق

- يتصدر النموذج ذو 209 M من المعلمات معايير GIFT‑Eval وTIME وfev‑bench
- تتوفر النماذج بأربعة أحجام: 5 M و28 M و123 M و209 M

## لماذا يهم

يمكن للشركات تحسين التخطيط المعتمد على بيانات المستشعرات وتقييم المخاطر من دون شراء أجهزة مزودة بوحدات GPU.

## المصادر والمراجع

1. [Introducing Timestral](https://mistral.ai/news/timestral/) – Mistral, 2026-10-15
2. [Quantile-Guided Diffusion for Probabilistic Time-Series Forecasting](https://arxiv.org/abs/2610.20739) – arXiv cs.LG, 2026-10-16
3. [New repository mistralai/timestral](https://github.com/mistralai/timestral) – Mistral, 2026-10-15

آخر تحديث: 2026-10-16