# Mistral lance Timestral, sa gamme de modèles de prévision temporelle

> De 5 M à 209 M de paramètres, ces nouveaux modèles arrivent en tête des benchmarks publics pour les prévisions multivariées et probabilistes.

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

Mistral a annoncé le lancement de Timestral, sa première gamme de modèles de fondation pour les séries temporelles. Le plus grand modèle compte 209 millions de paramètres et occupe la première place des trois principaux benchmarks publics de prévision — GIFT-Eval, TIME et fev-bench — tout en utilisant moins de paramètres que les modèles qui le devançaient. Quatre tailles sont proposées (5 M, 28 M, 123 M et 209 M) et les modèles fonctionnent sur des processeurs classiques : aucun GPU n’est nécessaire pour l’inférence. Ils prennent en charge les données historiques seules ainsi que les variables explicatives futures connues, et produisent des prévisions probabilistes avec 21 quantiles.

## Les faits

- Le modèle de 209 M de paramètres arrive en tête des benchmarks GIFT-Eval, TIME et fev-bench
- Quatre tailles sont proposées : 5 M, 28 M, 123 M et 209 M

## Pourquoi c'est important

Les entreprises peuvent améliorer la planification fondée sur les données de capteurs et l’évaluation des risques sans investir dans du matériel GPU.

## Sources et références

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

Dernière mise à jour: 2026-10-16