# Timestral 值得试吗？先看数据、预测跨度和权重许可 > Timestral 是数值概率预测器，不是聊天模型。用门店销量的假设场景，读懂未来已知协变量、32,768 时间步、长预测分块，以及 209M 权重的上月收入许可门槛。 - Published: 2026年10月30日 - Author: Linden Kern, Chief Scientist - Tags: models, ecosystem - Canonical: https://pirouter.ai/zh/blog/timestral-numeric-forecast-weights-license-boundary --- 假设你要预测门店下周每小时的销量，需要的是一组未来数值及其不确定性，而不是聊天模型写一段经营建议。Mistral 在 [Timestral 发布说明](https://mistral.ai/news/timestral/)中介绍的，正是这种数值概率预测器，实际发布日是 2026 年 10 月 15 日。现在考虑采用它，先看数据在预测时是否可得、预测跨度如何延长，以及具体权重的使用许可；模型参数小，并不能替你回答这三个问题。 本文以 10 月 28 日读取的公开材料为基础，并在 10 月 30 日再次读取官方模型资料与 209M 权重许可；仓库实现说明仍限定为 10 月 28 日留档。没有运行模型或做业务精度实测，也不把这次解读当成一次新发布。 ## Timestral 预测数值，不替你解释经营原因 Timestral 家族提供 5M、28M、123M 和 209M 四种参数规模。它处理的是按时间排列的目标序列，可以联合预测同一序列里的多个变量。输入不是一段提示词，输出也不是自然语言答案。 [Timestral 仓库 README — Forecast](https://github.com/mistralai/timestral#forecast)给出的目标数组形状是 `(B, V, T)`：一批序列、每条序列中的变量、历史时间步。单变量或单条序列还可以用更简单的形状；缺失观测用 NaN 表示，也可另给观测掩码。接入前要做的，是把数据组织成正确的时间轴，而非换一种问法。 它为未来每个时间步输出 21 个分位数，包括中位数，以及两端的 0.01 和 0.99。中位数给出一个中心预测。以0.99分位数为例，它描述模型预测分布中较高的一端；回测时可以检查真实值落在这个预测值以下的比例，是否接近99%。这比只交出一条曲线，更适合讨论备货不足或容量预留的风险，但仍要用自己的历史数据验证。 但分位数不是经营建议，也不自动证明区间在你的门店数据上覆盖准确。销量为什么下降、该不该调整价格，仍然需要其他证据和决策过程。即使把预测器接进一个语言模型工作流，也不能把整个系统的解释能力算到 Timestral 本身头上。 ## 未来已知协变量，不能拿未来真实销量来填 预测通常不只依赖目标本身。Timestral 区分仅在历史区间可用的协变量，以及在预测发生时已经知道未来取值的协变量，两类都可包含数值或类别信息。 继续用假设的门店场景：过去的客流记录可以提供历史背景；已经确定的营业日历、节假日标记和促销排期，可以作为未来已知条件。它们帮助预测销量，却不是模型要替你预测的目标。 这里的“已知”有严格的时间含义。下周真实销量不能作为下周预测的条件，下周实际客流也不能因为事后拿得到，就被补进回测输入。天气如果使用预测时已经发布的预报，应保留那个版本，而不是换成后来记录到的实际天气。 ![Timestral结构图中的历史目标、两类协变量、观测掩码和分位数预测输出](/blog/images/timestral-numeric-forecast-weights-license-boundary-overview.webp "Timestral官方结构图：历史目标、历史协变量和预测时已知的未来协变量共同形成分位数预测。未来已知协变量必须在预测时可得，不是模型要预测的目标。来源：[Timestral发布说明](https://mistral.ai/news/timestral/)") 图里的目标变量和协变量承担不同角色。[Timestral README — Covariates](https://github.com/mistralai/timestral#covariates)明确说，协变量用于提供条件，并不被预测；未来已知协变量的数组还要覆盖历史加上预测区间。如果预测未来 96 步，就不能只准备历史区间的那一列。 这会改变数据工程的检查顺序。先问每一列在当时是否真的可得，再问它能不能提升精度。否则，回测越漂亮，越可能只是在奖励一次未来信息泄漏，而不是一个能投入实际使用的预测器。 ## 32,768 是历史时间步，长预测要分块 Timestral 接受最多 32,768 个历史时间步。这里不是聊天模型的文本 token，也不是固定的日历长度：按小时采样和按分钟采样，同样的步数覆盖完全不同的时间范围。10 月 28 日读取的仓库说明写明，历史超出上限时保留最近部分，丢弃最旧观测。 因此，“我们有好几年数据”不等于模型一次会读完好几年。应先根据采样频率，把业务关心的日、周或年度变化换算成时间步，再决定数据准备与验证方式。把序列降采样也不是免费的：时间跨度变长，细粒度峰值信息可能随之减少。 历史能读多长，与未来一次能预测多远，是两个数字。[Timestral-209M 模型卡 — Model Details](https://huggingface.co/mistralai/Timestral-209M#model-details)写明，每个输入分块（patch）包含 32 个时间步，一次前向预测最多 1,024 步。需要更长预测时，按块生成，并把每一块的中位数预测追加回上下文，继续下一块。 例如按小时预测，1,024 步约为 42.7 天；假设要预测 90 天，就是 2,160 步，需要多个块，而非一次前向完成。这只是按小时数做的换算，不是本文测得的能力或速度。 中位数回接意味着，后面的块会使用模型前面自己给出的中心预测。不能因为最终仍输出分位数，就理解成它把前一块所有可能路径的不确定性完整传播了下去。预测拉得越远，越应按不同跨度分别检查误差和区间表现，不能用近端预测的成绩担保远端结果。 ## 先用自己的序列回测，再决定是否替换现有预测 厂商把 Timestral 定位为预训练、零样本预测模型。零样本让“不先为这一批序列训练专门模型”成为可尝试的路径，并不免除验证。仓库列出了 GIFT-Eval、TIME 和 fev-bench 的评估条件，但这些是厂商报告，不是本文的独立复测，也不是门店业务收益的证明。 一个务实的起点，是先保留现有预测流程，再按过去多个时间点做滚动回测。每次只提供当时能取得的数据，按实际需要的预测跨度比较误差，并分别查看旺季、淡季、缺失数据或突发变化时的结果。这些是采用建议，不是已经完成的实验记录。 比较对象不必一开始就复杂。上一周期同一时段的数值、简单季节性规则和当前线上方法，都可以成为基线。若只有平均误差更好，却在你最在意的高需求时段系统性低估，就还不足以支撑替换。分位数的区间覆盖也应单独验证，而不是只看中位数曲线是否顺眼。 推理代码支持 CPU 或 GPU，但“能在 CPU 上运行”不等于任何机器都满足你的时延预算。批量大小、变量数、历史和预测长度，都应进入自己的测量条件。本文没有实测内存或吞吐，也不把厂商特定负载下的速度写成普遍承诺。 [Timestral 1.0 209M 官方模型页](https://docs.mistral.ai/models/timestral-1-0)当前标为 Public Preview，并提供权重下载信息；现有材料没有核实一个公开的 Timestral 专属托管 API 端点和价表。预算不能直接套聊天模型的 token 单价。准备固定环境时，也应记录代码与权重的具体 revision，而非长期追随可变化的 main。 ## Apache 代码与 209M 权重，必须分开读许可 还有一道采用门槛不在数据里。10 月 28 日留档的仓库说明声明，代码和测试使用 Apache 2.0；模型权重另行发布，使用 Modified MIT。下载了 Apache 代码，并没有同时取得 Apache 条款下的权重权限。 本次逐字核对的是 [Timestral-209M 原始 LICENSE](https://huggingface.co/mistralai/Timestral-209M/raw/main/LICENSE)，不是其他尺寸的全部许可。它要求副本或实质性部分保留署名和许可通知，第 2 条还写明：如果你的公司或雇主**上一个月的全球合并月收入超过 2,000 万美元**，就不获准行使该许可下的权利。 这是月收入，不是年收入；对象是公司或雇主的全球合并收入，不是只算这个模型带来的收入；条款也没有把触发条件限定为经营模型即服务。把它简写成“MIT，可无条件商用”，会漏掉直接影响采用资格的部分。 原文还把基于该模型的衍生、修改和组合作品纳入限制，包括由第三方提供的版本。因此，换个分发者或拿到一个修改版，并不能仅凭这个动作认定条件消失。超过相关门槛的团队可联系厂商申请单独商业许可，是否授予由厂商决定；具体适用与边界问题应交给法务核对。 这个结论只覆盖本次读到的 209M 许可，不能自动外推整个家族。许可中提及托管服务的替代选择，也不能代替当前端点和价格的核验。 对手里已有数值序列的团队，Timestral 值得进入验证集：先核对准备使用的具体权重许可；在许可允许的前提下，再准备不泄漏未来的输入，按真正需要的跨度回测，最后决定是否接入业务。别让一个小参数量或一个 Apache 标签，提前替你做完采用决定。 --- ## Sources ### mistral.ai - [Timestral 发布说明](https://mistral.ai/news/timestral/) ### github.com - [Timestral 仓库 README — Forecast](https://github.com/mistralai/timestral#forecast) - [Timestral README — Covariates](https://github.com/mistralai/timestral#covariates) ### huggingface.co - [Timestral-209M 模型卡 — Model Details](https://huggingface.co/mistralai/Timestral-209M#model-details) ### docs.mistral.ai - [Timestral 1.0 209M 官方模型页](https://docs.mistral.ai/models/timestral-1-0)