★ FEATURED ARTICLE 【免费下载链接】Timestral-209M项目地址https://ai.gitcode.com/hf_mirrors/mistralai/Timestral-209M点击查看免费下载Timestral-209M 是 Mistral AI 推出的 209M 参数量时间序列基础模型time series foundation model主打零样本zero-shot时间序列预测。它在 GIFT-Eval、TIME、fev-bench 三大权威基准上全面刷新了 SOTA 纪录逐项超越 t0-gamma、TimesFM-3、Chronos-2 等主流对手。本文带你读懂这份对比数据并在本地快速复现它的预测结果。Timestral-209M 是什么核心能力一览Timestral 是一个时间序列基础模型家族提供5M、28M、123M、209M四种参数规模本仓库收录的是最大的 209M 版本。对新手来说理解它能做什么比理解它怎么做的更重要能力说明单变量 / 多变量预测同时支持单条序列和多条序列联合建模协变量支持支持 past-only 与 known-future 两类协变量数值或类别型均可概率预测一次输出21 个分位数0.01 ~ 0.99天然给出预测区间长上下文最多接受32,768 步历史数据预测长度单次前向推理最长预测1,024 步更长则分块递推缺失值用 NaN 标记即可模型内部用缺失指示位处理架构上它采用patch-based Transformer每 32 个时间步切成一个 patch24 层网络、嵌入维度 768并交替使用时间注意力与变元variate注意力。这些细节可以从模型配置文件 config.json 中直接查到例如patch_size: 32、d_model: 768、context_length: 32768。三大基准 SOTA 对比表Timestral-209M 赢在哪里Timestral-209M 在三个主流零样本预测基准上全部取得第一。下表数据来自 README.md 中的官方 Benchmark 章节基准指标Timestral-209Mt0-gammaTimesFM-3Toto-2.0-2.5BChronos-2GIFT-EvalMASE ↓0.6580.6610.6670.6960.698GIFT-EvalCRPS ↓0.4460.4520.4560.4760.485TIMEMASE ↓0.6260.6370.6400.6420.662TIMECRPS ↓0.5220.5340.5360.5390.556fev-benchSQL skill score ↑50.3949.4248.9944.4247.28fev-benchMASE skill score ↑39.4937.9937.8232.5435.50表中 MASE、CRPS 越低越好↓fev-bench 的 skill score 越高越好↑。三个基准的分工各不相同GIFT-Eval综合型时间序列预测评测集覆盖多种频率与领域社区使用最广TIME另一个大规模通用预测基准用于交叉验证结论是否可迁移fev-benchAutoGluon 生态的预测基准用 skill score相对朴素基线的提升幅度衡量实际增益。值得注意的一点Timestral-209M 只用 209M 参数而对比选手 Toto-2.0-2.5B 参数量接近其 12 倍却在两项 fev-bench 指标上落后明显——小模型的参数效率是这次 SOTA 最亮的看点。如何解读 MASE 与 CRPS新手必读指标说明MASEMean Absolute Scaled Error均绝对缩放误差。直觉上可以理解为平均绝对误差与朴素预测的比值数值小于 1 表示比直接复制上一期的朴素策略更准。Timestral-209M 在 GIFT-Eval 上为 0.658即比朴素基线平均准约 34%。CRPSContinuous Ranked Probability Score连续排序概率评分衡量概率预测的整条分布质量而不只是中位数是否准。数值越低说明分位数输出越贴合真实分布。Skill score模型相对基线的相对提升fev-bench 采用 SQLskill score of quantiles与 MASE 两种口径。因为 Timestral-209M 输出 21 个分位数定义见 config.json 的quantile_knots所以它天然具备概率预测能力这也是它能同时在 CRPS 上拉开差距的原因。三步复现 Timestral-209M 预测结果环境要求很简单Python ≥ 3.10、torch ≥ 2.4推理支持 CPU 和 GPU。仓库内的模型权重文件为 model.safetensors模型元数据分位数定义、基准成绩等写在 README.md 顶部的 frontmatter 中。第 1 步安装 timestral 官方 Python 包按 README.md 的安装章节通过 pip 安装 timestral 源码包即可需要联网拉取其 GitHub 源码并同步 torch 依赖。第 2 步加载 209M 权重import numpy as np import torch from timestral import TimestralForecaster model TimestralForecaster.from_pretrained( mistralai/Timestral-209M, devicecuda if torch.cuda.is_available() else cpu )第 3 步输入历史序列一次拿到中位数与预测区间# 1000 步历史观测向前预测 96 步 context np.random.default_rng(42).standard_normal(1000).cumsum() forecast model.forecast(context, prediction_length96) median forecast.median lower, upper forecast.quantile(0.1), forecast.quantile(0.9)三段代码跑通后median是 96 步的预测中位数lower / upper则是 10%~90% 分位区间——与官方技术博客中展示的预测曲线是同一套输出。若要严格复现三大基准分数可对照 README.md 的 Benchmark 章节在 GIFT-Eval、TIME、fev-bench 对应数据集上按官方评测协议计算 MASE / CRPS / skill score。仓库文件说明每个文件是干什么的文件作用README.md模型介绍、基准成绩、安装与运行示例frontmatter 含 leaderboard 成绩config.json模型结构超参数patch 大小、层数、注意力排布、21 个分位数节点等model.safetensors209M 参数权重文件safetensors 格式加载快且安全LICENSEModified MIT 许可证全文config.json中的block_schedule字段24 层中每隔 3 层插入一次time_variate块直观展示了它时间注意力 变元注意力交替的结构设计对想深入理解架构的同学很有参考价值。使用授权提示避免踩坑Timestral-209M 采用Modified MIT 许可证核心限制写在 LICENSE 中若你所在公司全球合并月收入超过 2000 万美元则不能直接使用该权重需要联系 Mistral AI 申请商业授权或使用其托管服务。个人开发者、学生和小规模团队不受此限制可自由使用与二次分发需保留署名声明。总结什么时候该选 Timestral-209M✅ 需要零样本预测、没有领域标注数据时——它是当前三大基准上最强的小模型209M✅ 需要概率预测分位数、风险区间做需求/库存/电力等规划决策时✅ 需要长上下文数万步历史 较长预测范围1024 步/次时⚖️ 若追求极限精度且推理资源充足可对比更大参数量的模型若只需极轻量端侧部署同家族的 5M / 28M 版本是更省的选择。一句话结论在 209M 这个参数量级内Timestral-209M 是目前时间序列零样本预测的事实标杆而它的 21 分位数输出 长上下文能力让开箱即用的概率预测第一次变得如此简单。赞分享【免费下载链接】Timestral-209M项目地址https://ai.gitcode.com/hf_mirrors/mistralai/Timestral-209M点击查看免费下载相关推荐Kats时间序列预测模型对比Prophet vs ARIMA vs LSTMKats时间序列预测模型对比Prophet vs ARIMA vs LSTM 在当今数据驱动的时代时间序列预测已成为企业决策和业务分析的关键工具。Kats作数据分析机器学习数据科学TimesFM 2.5 vs 行业竞品时间序列预测工具终极对比指南TimesFM 2.5 vs 行业竞品时间序列预测工具终极对比指南 TimesFM 2.5是谷歌研究团队开发的最新时间序列基础模型在时间序列预测领域引起了广人工智能基础模型深度学习AutoKeras时间序列预测算法对比LSTM vs TransformerAutoKeras时间序列预测算法对比LSTM vs Transformer AutoKeras是一个强大的自动化机器学习库提供了便捷的时间序列预测解决方案AutoML机器学习深度学习人工智能创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
