Mistral、初の時系列基盤モデル群「Timestral（タイムストラル）」を発表5M〜209Mの4サイズ、GIFT-Eval・TIME・fev-benchの3ベンチで首位と主張
Mistral AIは2026年10月15日、初の時系列基盤モデル群Timestralを発表した。パラメータは5M・28M・123M・209Mの4種類で、最大の209MはGIFT-Eval・TIME・fev-benchの3ベンチで1位と同社は説明する。同社によると推論にGPUは不要でCPUで動き、ライセンスはModified MIT。
目次
Mistral AIは2026年10月15日、同社初の時系列基盤モデル（TSFM）のファミリー「Timestral（タイムストラル）」を発表しました。パラメータ数は5M・28M・123M・209Mの4種類で、最大の209Mモデルは時系列予測の公開ベンチマーク3つ（GIFT-Eval、TIME、fev-bench）で1位だと、Mistralは公式ブログで説明しています。
3行まとめ
- Mistral AIが2026年10月15日、初の時系列基盤モデル群Timestralを発表。5M・28M・123M・209Mの4サイズで、確率的・多変量の予測に対応
- 209MモデルはGIFT-Eval・TIME・fev-benchの3ベンチで1位、従来の最高水準のモデルを3分の2のパラメータ数で上回ったと同社は説明（結果は同社発表）
- 同社によるとGPUなしのCPUで推論でき、5Mで10ミリ秒・209Mで140ミリ秒（同社測定）。ライセンスはModified MIT、企業向けはMistral Forge経由
本記事の内容は、日本時間10月16日0時台に公式ページで確認したものです。
Timestralで何ができるのか
Timestralは、過去の数値の並び（センサー値、監視メトリクス、取引量など）から未来の値を予測するモデルです。Mistralによると、大量で多様なデータで事前学習しているため、見たことのないデータでも追加学習なしで予測する「ゼロショット」予測ができます。
公式ブログが挙げる特徴は次の4点です。
| 特徴 | Mistralの説明 |
|---|---|
| 確率的予測 | 21個の分位点を出す。不確実性の幅を見て、警報のしきい値や保守計画を決められる |
| 多変量予測 | 関連する複数の系列（例: ポンプの振動・温度・圧力）をまとめて扱う |
| 共変量 | 過去のみの共変量と、生産計画や天気予報のような将来既知の共変量に対応。曜日や機械の状態といったカテゴリ変数もそのまま入力できる |
| 長い文脈 | 仕様表のコンテキスト長は32,768タイムステップ |
ブログは例として、数千個のセンサーを持つ工場を挙げています。Timestralで異常を検知し、言語モデルのエージェントが過去の類似故障を検索して原因分析の案を出す、という組み合わせです。これは同社が描く使い方の例で、実際の導入事例として書かれているわけではありません。
4つのサイズと速度はどう違うか
4サイズは同じアーキテクチャと学習レシピを共有します。Mistralは「各サイズで、それより良く予測する公開モデルはない」と説明しています。
公式ブログに書かれた比較と速度は次のとおりです（いずれも同社の説明・測定）。
- 28Mモデルは、約4倍の大きさのChronos-2をGIFT-EvalとTIMEで上回る
- 209Mモデルは、TimesFM-3とFalcon-2.0を、より少ないパラメータで上回る
- 標準的なサーバーCPU（8スレッド）で、3週間分の15分間隔データから1日先を予測した所要時間は、5Mで10ミリ秒、209Mで140ミリ秒
- 28Mモデルは209Mモデルの5倍速い
- 123Mモデルは209Mモデルのスコアの0.2%以内で、遅延は4分の3
ベンチマークについては、GIFT-Evalは比較可能な事前学習・ゼロショットの83エントリのうち上位10、TIMEはリーダーボード35エントリのうち上位10、fev-benchは37エントリのうち上位10を図で示している、と書かれています。事前学習済みのゼロショットモデルの中では5つの指標すべてで1位、結果はアンサンブルなしの単一チェックポイントによる、というのが同社の主張です。
誰がどう使えるのか、日本では
公式ページの記載は次のとおりです。
| 項目 | 記載内容 |
|---|---|
| 種類 | 時系列基盤モデル（TSFM） |
| パラメータ | 5M、28M、123M、209M |
| 出力 | 確率予測（21分位） |
| 入力 | 多変量ターゲット、過去のみ・将来既知の共変量 |
| 提供形態 | オンプレミス、VPC、エアギャップ |
| ライセンス | Modified MIT |
個人や開発者向けには、「自分のデータで動かせるようにGitHubリポジトリを公開した」とブログにあります。組織向けには、Mistral Forge経由でも提供します。Forgeの製品ページ（取得時点）は、自社データでモデルを作る企業向け基盤と説明しており、Timestralのブログでは、ゼロショット推論、ドメイン固有の共変量などのアーキテクチャ拡張、独自データでの微調整、学習データの混合比や合成データ生成の制御に対応するとしています。パイプライン全体をクライアントのハードウェア、エアギャップ環境を含めて展開できる、という説明も同じブログにあります。
今回確認した公式ページには、日本での提供可否や日本語での案内、料金、API提供の記載は見当たりませんでした（取得した本文を検索して確認）。
前のモデルと何が違うのか
Mistralは従来手法との違いを3段階で説明しています。ARIMAや線形回帰のような古典的手法は系列ごとに当てはめます。PatchTSTのような深層学習モデルは複数の関連系列から学べますが、データセットごとにゼロから学習するのが普通で、学んだことが新しい領域に持ち越せません。基盤モデルは大規模で多様なコーパスで事前学習し、未知のデータにもゼロショットで予測できる、という位置づけです。
技術面では、次の4点が挙げられています。詳細は後日の技術レポートで説明されるとのことです。
- Decoupled Horizon Forecasting（DHF）: 予測対象の値を隠す従来方式と違い、履歴全体を系列に残し、学習済みの「予測トークン」が手前の履歴を読む。観測値が目標にも文脈にもなる
- 共変量を意識したアテンション: 各入力系列に「ターゲット」「過去のみの共変量」「将来既知の共変量」の役割を与え、情報は共変量からターゲットへだけ流れる
- 合成データ中心の学習: 学習データの大半は合成データ。単変量の過程を作り、非線形な依存関係を加えて多変量にした
- 2段階学習: 文脈長8192の合成データのみで事前学習し、その後は実データと合成データの混合、4倍の長さの文脈で追加学習。目的関数は21分位のピンボール損失
公式ページを確認して気づいたこと
私は日本時間10月16日0時6分台に、公式ブログと関連ページを取得しました。ブログ本文の日付は「October 15, 2026」ですが、ページの構造化データ（published）の欄は「2026-07-15」でした。記事の日付には本文表示の10月15日を使いましたが、2つの記載は食い違っています。また、ブログが「公開した」とするGitHubリポジトリ（github.com/mistralai/timestral）は、取得時点ではHTTP 404でした。ブログからリンクされているHugging Faceのコレクションも、取得時点ではHTTP 401（認証が必要）で、中身を確認できていません。
確認できていないこと
- モデルの実物: 上記のとおりGitHubとHugging Faceのページを開けなかったため、重みの配布方法、ライセンス全文（「Modified」の変更点）、使い方は確認できていません。リポジトリが非公開の状態だったのか、公開前だったのか、取得側の問題だったのかも分かりません
- ベンチマークの数値: 公式ページでは棒グラフなどの図で示されており、取得したテキストに個別のスコアは含まれていません。「1位」「Pareto front」という主張は同社のもので、本記事は再現も第三者の検証もしていません。GIFT-EvalとTIMEのリーダーボードには結果を提出したと書かれていますが、掲載を確認していません
- 技術レポート: 完全な結果を載せた技術レポートは「後日公開」とされており、現時点では読めません
- 実際の使い心地: 筆者はTimestralを動かしておらず、速度や精度は同社の測定値を紹介しているだけです
出典と確認時刻
- Introducing Timestral（Mistral AI公式）: https://mistral.ai/news/timestral/ （日本時間2026年10月16日0時6分台に取得、HTTP 200）
- Mistral Forge（Mistral AI公式）: https://mistral.ai/products/forge/ （同0時6分台に取得、HTTP 200）
- 開けなかったページ: https://github.com/mistralai/timestral （HTTP 404）、https://huggingface.co/collections/mistralai/timestral （HTTP 401）
本記事は続報があり次第更新します。
この記事でよく聞かれること
- Timestral（タイムストラル）とは何ですか？
- Mistral AIが2026年10月15日に発表した、同社初の時系列基盤モデル（TSFM）のファミリーです。パラメータは5M・28M・123M・209Mの4種類で、確率的（21分位）かつ多変量の予測を出し、過去のみの共変量と将来既知の共変量を入力にできると同社は説明しています。
- Timestralは GPU がなくても動きますか？
- Mistralは推論にGPUは不要と説明しています。標準的なサーバーCPU（8スレッド）で、3週間分の15分間隔データから1日先を予測するのに、5Mモデルで10ミリ秒、209Mモデルで140ミリ秒かかるとしています（同社測定）。
- Timestralのライセンスと使い方は？
- 公式ページの仕様表ではライセンスはModified MITです。同社はGitHubリポジトリを公開したと書いており、企業向けには学習基盤Mistral Forge経由でも提供し、オンプレミス・VPC・エアギャップ環境に置けるとしています。
- ベンチマークの結果は第三者が確認したものですか？
- 公式ページの記述は同社による説明です。GIFT-EvalとTIMEのリーダーボードには結果を提出したと書かれていますが、詳細な結果を載せる技術レポートは後日公開とされています。
出典・参照資料
大きいニュースはYouTubeでも解説しています。Xでは新着記事をお知らせしています。
コメント
まだコメントはありません。最初のコメントを書いてみませんか？
AIについて聞きたいことはありますか？
質問箱で無料で受け付けています。回答は公開され、他の方の参考にもなります。
質問箱を見る →関連記事
ビッグデータ（Big Data）とは 量が多く、種類がばらばらで、増えるのが速いために、従来の道具では扱いにくいデータのこと。決まった容量の線引きはなく、AIとは「材料」と「それを使う仕組み」の関係【2026年10月版】
ビッグデータ（Big Data）とは量が多く、種類がばらばらで、増えるのが速いために、従来の道具では扱いにくいデータのこと。決まった容量の線引きはなく、AIとは「材料」と「それを使う仕組み」の関係【2026年10月版】
エージェンティックAIとは AI事業者ガイドライン（第1.2版）の脚注は「複数のAIエージェントにより自律的に意思決定を下しアクションを起こす目標主導型のAIシステム」と書き、本文での定義は「次年度以降」に回した。AIエージェントとの違い、複数エージェントが協調するときに起きる問題（Anthropicの脆弱性266件・談合・縄張り争い）、同じ課題を5回やって全部成功するか（IBMのPass^k）
エージェンティックAIとはAI事業者ガイドライン（第1.2版）の脚注は「複数のAIエージェントにより自律的に意思決定を下しアクションを起こす目標主導型のAIシステム」と書き、本文での定義は「次年度以降」に回した。AIエージェントとの違い、複数エージェントが協調するときに起きる問題（Anthropicの脆弱性266件・談合・縄張り争い）、同じ課題を5回やって全部成功するか（IBMのPass^k）
「AIで3億人分の仕事」の原文を読む ゴールドマン・サックスの2023年レポートは何を計算したか
「AIで3億人分の仕事」の原文を読むゴールドマン・サックスの2023年レポートは何を計算したか
測量士・通関士は国家資格職なのに「代替可能性が高い」側だった 野村総研2015年リストの実名
測量士・通関士は国家資格職なのに「代替可能性が高い」側だった野村総研2015年リストの実名
「仕事の47%が消える」の答え合わせ 2013年オックスフォード論文が確率を割り当てた20職業を、10年後の米国統計で数え直す
「仕事の47%が消える」の答え合わせ2013年オックスフォード論文が確率を割り当てた20職業を、10年後の米国統計で数え直す
AIエージェントが情報を漏らす3条件 リーサルトライフェクタとは
AIエージェントが情報を漏らす3条件リーサルトライフェクタとは
日本の生成AI導入率87%、だが「期待以上の成果」はわずか9% PwC 6カ国比較の読み方
日本の生成AI導入率87%、だが「期待以上の成果」はわずか9%PwC 6カ国比較の読み方
