# Mistral خانواده مدل‌های پیش‌بینی سری‌های زمانی Timestral را عرضه کرد

> مدل‌های جدید از 5M تا 209M پارامتر دارند و در معیارهای عمومی پیش‌بینی چندمتغیره و احتمالاتی رتبه نخست را گرفته‌اند.

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

Mistral از عرضه Timestral، نخستین مجموعه مدل‌های پایه خود برای سری‌های زمانی، خبر داد. بزرگ‌ترین مدل 209 میلیون پارامتر دارد و در سه معیار عمومی اصلی پیش‌بینی—GIFT‑Eval، TIME و fev‑bench—رتبه نخست را کسب کرده؛ آن هم با پارامترهایی کمتر از مدل‌هایی که پیش‌تر پیشتاز بودند. این مدل‌ها در چهار اندازه عرضه می‌شوند (5 M، 28 M، 123 M و 209 M) و روی CPUهای معمولی اجرا می‌شوند؛ بنابراین برای استنتاج به GPU نیاز ندارند. مدل‌ها از داده‌های گذشته، متغیرهای کمکیِ مربوط به آینده که از قبل معلوم‌اند و پیش‌بینی احتمالاتی با 21 چندک پشتیبانی می‌کنند.

## حقایق

- مدل 209 M پارامتری در معیارهای GIFT‑Eval، TIME و fev‑bench رتبه نخست را دارد
- مدل‌ها در چهار اندازه عرضه می‌شوند: 5 M، 28 M، 123 M و 209 M

## چرا مهم است

شرکت‌ها می‌توانند برنامه‌ریزی مبتنی بر داده‌های حسگر و ارزیابی ریسک را بهبود دهند، بی‌آنکه نیاز به خرید سخت‌افزار GPU داشته باشند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-16