Mistral veröffentlicht Timestral: Zeitreihen-Modelle von 5 bis 209 Mio. Parametern

Mistral AI stellt mit Timestral eine Familie kleiner Foundation-Modelle für Zeitreihenprognosen vor. Sie sagen Verläufe wie Verkäufe oder Sensordaten ohne zusätzliches Training voraus und liegen laut Herstellerangaben in drei Benchmarks vorn.

Modell-Releases Selbst ausprobieren 14. Okt. 2026 4 Min. Lesezeit Quelle: Hugging Face Trending

Worum es geht

Mistral AI hat auf Hugging Face die Modellfamilie Timestral veröffentlicht. Es sind Foundation-Modelle (große, vortrainierte Allzweck-Modelle) für Zeitreihenprognosen. Eine Zeitreihe ist eine Folge von Messwerten über die Zeit, etwa Stromverbrauch, Verkaufszahlen oder Temperaturen. Timestral soll solche Verläufe „zero-shot“ vorhersagen, also ohne dass man das Modell vorher auf die eigenen Daten trainiert. Die Familie umfasst Versionen mit 5, 28, 123 und 209 Millionen Parametern (Parameter sind grob gesagt die beim Training gelernten Stellschrauben). Dieser Eintrag betrifft den größten Checkpoint, Timestral-209M. Die Gewichte sind herunterladbar, der Quellcode liegt auf GitHub.

Was das Modell kann

Timestral unterstützt univariate Prognosen (eine Reihe) und multivariate Prognosen (mehrere zusammenhängende Reihen). Zusätzlich lassen sich Kovariaten einbeziehen, also Zusatzinformationen. Das können Größen sein, die nur aus der Vergangenheit bekannt sind, oder solche, die auch für die Zukunft bekannt sind, etwa Feiertage oder geplante Preisaktionen. Sie dürfen numerisch oder kategorisch sein; kategorische Werte werden per Target-Encoding umgewandelt. Fehlende Werte werden als NaN markiert.

Die Prognosen sind probabilistisch: Das Modell gibt 21 Quantile aus (0,01, 0,05, 0,1, 0,15 bis 0,85, 0,9, 0,95, 0,99). So erhält man neben dem Median auch Unsicherheitsbänder, zum Beispiel das 10- und 90-Prozent-Quantil.

Architektur

Laut Modellkarte ist Timestral-209M ein patch-basierter Transformer mit 24 Schichten und Embedding-Dimension 768. Ein Patch fasst 32 Zeitschritte zusammen und wird samt Indikatoren für fehlende Werte eingebettet. Das Modell nutzt zwei Aufmerksamkeitsarten: Time Attention (über die Zeit) und Variate Attention (zwischen verschiedenen Variablen).

Kontext: bis zu 32.768 Zeitschritte (1.024 Patches)
Horizont: bis zu 1.024 Schritte (32 Patches) in einem Vorwärtsdurchlauf
Längere Horizonte: Blockweise Prognose, wobei die Median-Prognose jedes Blocks an den Kontext angehängt wird
Inferenz: PyTorch auf CPU oder GPU

Benchmarks

Mistral gibt an, mit Timestral-209M auf drei Benchmarks den besten Zero-Shot-Wert zu erzielen: GIFT-Eval, TIME und fev-bench. Bei MASE und CRPS sind niedrigere Werte besser, bei den Skill Scores höhere. MASE misst den Fehler relativ zu einer einfachen Referenzprognose, CRPS die Güte der Wahrscheinlichkeitsvorhersage.

Benchmark	Metrik	Timestral-209M	t0-gamma	TimesFM-3	Toto-2.0-2.5B	Chronos-2
GIFT-Eval	MASE ↓	0,658	0,661	0,667	0,696	0,698
GIFT-Eval	CRPS ↓	0,446	0,452	0,456	0,476	0,485
TIME	MASE ↓	0,626	0,637	0,640	0,642	0,662
TIME	CRPS ↓	0,522	0,534	0,536	0,539	0,556
fev-bench	SQL skill ↑	50,39	49,42	48,99	44,42	47,28
fev-bench	MASE skill ↑	39,49	37,99	37,82	32,54	35,50

Die Abstände zu den Konkurrenten sind teils klein, etwa 0,658 gegenüber 0,661 bei GIFT-Eval-MASE. Beachtenswert ist die Skalierung innerhalb der Familie: Schon das 28M-Modell (GIFT-Eval MASE 0,678) liegt nahe an großen Konkurrenten wie Toto-2.0-2.5B (0,696), und das 123M-Modell (0,659) ist fast so gut wie das 209M-Modell (0,658). Das 5M-Modell erreicht 0,705.

Was du zum Ausprobieren brauchst

Das Modell ist sehr klein. 209 Mio. Parameter benötigen in 16-Bit-Gewichten grob 0,5 GB, es reicht also jede halbwegs moderne Grafikkarte, und auch CPU-Betrieb ist laut Modellkarte vorgesehen. Du brauchst Python ab 3.10 und torch ab 2.4, einige GB Speicher genügen. Die kleinen Varianten laufen noch leichter. Mac und Google Colab sind mit PyTorch problemlos möglich; lange Kontexte (bis 32.768 Schritte) kosten allerdings mehr Arbeitsspeicher.

Einordnung

Zeitreihen-Foundation-Modelle sind ein wachsendes Feld, in dem Chronos-2, TimesFM und Toto konkurrieren. Dass Mistral, bekannt für Sprachmodelle, hier einsteigt, zeigt die Ausweitung auf klassische Prognoseaufgaben in Handel, Energie oder Industrie. Kritisch zu sehen: Alle Benchmark-Zahlen stammen vom Hersteller, der Tech-Report ist noch nicht erschienen („coming soon“), und die Vorsprünge sind teils gering. Die Lizenz ist eine modifizierte MIT-Lizenz mit der Auflage, keine Rechte Dritter zu verletzen. Vor kommerzieller Nutzung solltest du den Lizenztext prüfen. Ob die Modelle auf deinen eigenen Daten besser sind als einfache Baselines, musst du selbst testen.

Begriffe einfach erklärt

Zeitreihe: Eine Folge von Messwerten in zeitlicher Reihenfolge, zum Beispiel tägliche Verkaufszahlen oder stündlicher Stromverbrauch.
Zero-Shot: Das Modell macht Vorhersagen für neue Daten, ohne vorher darauf speziell trainiert oder angepasst worden zu sein.
Quantil: Ein Wert, unter dem ein bestimmter Anteil der möglichen Ergebnisse liegt; das 0,9-Quantil bedeutet, dass 90 % der Ausgänge darunter erwartet werden. Damit lassen sich Unsicherheitsbereiche angeben.
Kovariate: Zusätzliche Einflussgröße neben der eigentlichen Zielreihe, etwa Feiertage oder Wetter.
Patch: Ein Block aufeinanderfolgender Zeitschritte (hier 32), der als eine Einheit vom Transformer verarbeitet wird.
MASE: Fehlermaß, das die Prognosegenauigkeit mit einer einfachen Referenzmethode vergleicht; kleiner ist besser.
CRPS: Maß für die Qualität einer Wahrscheinlichkeitsprognose, das die ganze vorhergesagte Verteilung bewertet; kleiner ist besser.

Quellen

Hugging Face Trending huggingface.co

#mistral#zeitreihen#forecasting#foundation-model#open-weights

Originalquelle lesen

Selbst ausprobieren: Timestral-209M

Schritt für Schritt erklärt, auch ohne Vorkenntnisse – auf deinem Rechner oder kostenlos im Browser.

Was kann ich damit machen?

Timestral sagt den weiteren Verlauf von Zahlenreihen voraus, etwa Verkäufe, Energieverbrauch oder Sensorwerte. Du gibst die Vergangenheit hinein und erhältst Median und Unsicherheitsbänder für die Zukunft, ohne selbst zu trainieren. Auch Zusatzinformationen wie Feiertage lassen sich einbinden.

Für wen lohnt es sich?

Geeignet für Analysten, Entwickler und Data Scientists mit Zeitreihendaten, die schnell eine starke Baseline wollen. Nichts für dich, wenn du einen Chatbot oder Textmodell suchst.

Größe0,2 Mrd. Parameter

Download0,8 GB (bei 100 MBit/s ca. 1 Min.)

Lizenzeigene Lizenz (siehe Model Card)

ArtZeitreihen-Vorhersage

Hugging Facemistralai/Timestral-209M

Was dein Rechner braucht

Grafikkarte (NVIDIA) mind. 2 GB VRAMfast jede Grafikkarte ab 4 GB (z. B. GTX 1650, RTX 3050)

Mac (Apple Silicon M1–M5) ab 8 GB gemeinsamer SpeicherGrafik und Prozessor teilen sich den Speicher – etwa 70 % davon kann das Modell nutzen

Nur Prozessor (ohne Grafikkarte) Ohne Grafikkarte flüssig nutzbargeschätzt 150 Wörter pro Sekunde auf einem aktuellen Desktop-PC. Dafür mindestens 8 GB Arbeitsspeicher.

Speicherplatz ca. 2,8 GB freiModell-Download plus Programme

Google Colab läuft kostenlosGratis-GPU Tesla T4 mit 15 GB reicht

Für maximale Genauigkeit 209M; 123M ist laut Herstellerangaben fast gleich gut. 28M oder 5M eignen sich für schwache Hardware oder sehr viele Reihen. Alle laufen auch auf der CPU.

Inferenz per PyTorch auf CPU oder GPU, eine große GPU ist nicht nötig.
Voraussetzung: Python ab 3.10 und torch ab 2.4.
Sehr lange Kontexte (bis 32.768 Schritte) und viele Variablen erhöhen den Speicherbedarf.
Läuft auch auf Mac und in Google Colab über PyTorch.

Wie finde ich heraus, was mein Rechner hat?

Windows: Strg + Umschalt + Esc drücken → Task-Manager → Reiter Leistung → links GPU anklicken. Unten steht Dedizierter GPU-Speicher (das ist dein VRAM). Den Arbeitsspeicher findest du unter Arbeitsspeicher.
Mac: Apfel-Menü oben links → Über diesen Mac. Dort stehen Chip (z. B. M2) und Speicher (z. B. 16 GB). Bei Apple-Chips teilen sich Grafik und Prozessor diesen Speicher.
Linux: Im Terminal nvidia-smi eingeben (zeigt Grafikkarte und Speicher) und free -h für den Arbeitsspeicher.

Anleitung

Google Colab (im Browser, ohne Installation)

Google Colab ist ein kostenloser Dienst von Google: Du bekommst für ein paar Stunden einen Rechner mit Grafikkarte im Browser. Du brauchst nur ein Google-Konto. Für dieses Modell: läuft kostenlos – Gratis-GPU Tesla T4 mit 15 GB reicht.

Notebook herunterladen. Klick auf den Knopf und speichere die Datei.
colab.ipynb herunterladen
Colab öffnen. Geh auf colab.research.google.com und melde dich mit deinem Google-Konto an.
Notebook hochladen. Im Fenster, das erscheint, links auf Hochladen klicken (oder oben Datei → Notebook hochladen) und die Datei colab.ipynb auswählen.
Grafikkarte einschalten. Oben im Menü Laufzeit → Laufzeittyp ändern → bei Hardwarebeschleuniger T4-GPU auswählen → Speichern.
Alles starten. Laufzeit → Alle ausführen (Tastenkürzel Strg + F9). Kommt die Warnung „Dieses Notebook wurde nicht von Google erstellt“, auf Trotzdem ausführen klicken.
Warten. Die Zellen laufen nacheinander durch. Links neben jeder Zelle erscheint ein grüner Haken, wenn sie fertig ist. Installation und Download dauern hier etwa 4 Minuten.
Ausprobieren. Das Ergebnis steht unter der letzten Zelle. Um etwas anderes zu testen, den Text in der Zelle ändern und mit Shift + Enter erneut ausführen.
Aufräumen. Wenn du fertig bist: Laufzeit → Sitzung beenden. Das schont dein kostenloses Kontingent.

Gut zu wissen: Die Gratis-GPU ist begrenzt (meist einige Stunden am Tag). Nach rund 90 Minuten ohne Aktivität trennt Colab die Verbindung, dann alles neu starten.

Windows 10 / 11

Dieses Modell läuft mit Python. Unser Skript erledigt die Einrichtung automatisch: Es legt eine abgeschottete Python-Umgebung an, installiert die nötigen Programme (PyTorch, ca. 3 GB) und lädt das Modell (0,8 GB (bei 100 MBit/s ca. 1 Min.)).

Grafikkartentreiber aktualisieren (NVIDIA): aktuellen Treiber installieren. Ohne NVIDIA-Karte läuft es auf dem Prozessor – deutlich langsamer.
Python installieren. Auf python.org Python 3.12 herunterladen und starten. Wichtig: Unten im ersten Fenster das Häkchen bei Add python.exe to PATH setzen, dann Install Now.
Ordner anlegen und Dateien laden. Einen Ordner erstellen, z. B. Dokumente\KI-Test, und beide Dateien hineinspeichern:
try_windows.ps1 demo.py
Terminal im Ordner öffnen. Den Ordner im Explorer öffnen, Rechtsklick auf eine freie Stelle → In Terminal öffnen.
Starten. Diesen Befehl einfügen und Enter drücken:
```
powershell -ExecutionPolicy Bypass -File try_windows.ps1
```
Jetzt laufen Installation und Download. Das kann beim ersten Mal 10–30 Minuten dauern.
Ergebnis. Das Modell liegt im Unterordner models. Wie es genau benutzt wird, steht in der Model Card auf Hugging Face.
Nochmal mit eigener Eingabe: demo.py mit dem Editor öffnen, den Beispieltext ändern, speichern. Dann im Terminal:
```
.\.venv-timestral-209m\Scripts\Activate.ps1
python demo.py
```

macOS

Ideal sind Macs mit Apple-Chip (M1 bis M5). Ältere Intel-Macs sind sehr langsam.

Terminal öffnen. Cmd + Leertaste, Terminal eintippen, Enter.
Entwicklerwerkzeuge installieren (nur beim ersten Mal, liefert Python mit):
```
xcode-select --install
```
Im Fenster auf Installieren klicken. Kommt „already installed“, ist alles schon da.
Dateien herunterladen – beide landen im Ordner Downloads:
try_mac.sh demo.py
Starten:
```
cd ~/Downloads
bash try_mac.sh
```
Installation und Download dauern beim ersten Mal 10–30 Minuten.
Ergebnis. Das Modell liegt im Unterordner models. Wie es genau benutzt wird, steht in der Model Card auf Hugging Face.

Linux

Grafikkarte prüfen. nvidia-smi sollte deine Karte anzeigen. Wenn nicht, unter Ubuntu den Treiber installieren und neu starten:
```
sudo ubuntu-drivers install
```

Python-Grundlagen installieren (Ubuntu/Debian):

sudo apt update && sudo apt install -y python3-venv python3-pip git

Dateien in einen Ordner laden und dort ein Terminal öffnen:
try_linux.sh demo.py
Starten:
```
bash try_linux.sh
```
Ergebnis. Das Modell liegt im Unterordner models. Wie es genau benutzt wird, steht in der Model Card auf Hugging Face.

Das kannst du ausprobieren

Prognostiziere die nächsten 96 Stunden meines Stromverbrauchs aus 1.000 historischen Messwerten.

Sage die Wochenverkäufe der nächsten 12 Wochen voraus und berücksichtige bekannte Feiertage als Kovariate.

Gib mir für meine Sensordaten das 10- und 90-Prozent-Quantil als Unsicherheitsband.

Wenn es hakt

Das Paket wird per `pip install git+https://github.com/mistralai/timestral.git` installiert, nicht aus PyPI.

Fehlende Werte müssen als NaN markiert werden.

Längere Horizonte als 1.024 Schritte werden blockweise mit dem Median fortgeführt, die Unsicherheit kann dadurch wachsen.

Lizenz (modifizierte MIT) vor kommerzieller Nutzung prüfen.

„out of memory“, Absturz oder der Rechner hängt

Das Modell ist zu groß für deinen Grafikspeicher. Nimm eine kleinere Variante aus der Tabelle oben und schließe andere Programme, vor allem Spiele und Browser mit vielen Tabs.

Es läuft, aber extrem langsam

Wahrscheinlich rechnet der Prozessor statt der Grafikkarte. Bei Ollama zeigt ollama ps in der Spalte PROCESSOR, wie viel auf der GPU läuft. Steht dort „100% CPU“, Grafiktreiber aktualisieren oder eine kleinere Variante nehmen, die komplett in den Grafikspeicher passt.

„ollama“ bzw. „python“ wird nicht gefunden

Das Eingabefenster schließen und neu öffnen, damit es das frisch installierte Programm kennt. Bei Python unter Windows: neu installieren und das Häkchen Add python.exe to PATH setzen.

Windows: „Die Ausführung von Skripts ist auf diesem System deaktiviert“

Das Skript genau mit dem Befehl oben starten: powershell -ExecutionPolicy Bypass -File try_windows.ps1. Das erlaubt die Ausführung nur dieses einen Mal.

Fehlermeldung beim Laden des Modells (Version, „trust_remote_code“, unbekannte Architektur)

Ganz neue Modelle brauchen oft die neueste Programmversion. Bei Ollama: Ollama aktualisieren. Bei Python: pip install -U transformers in der aktivierten Umgebung. Die Model Card nennt meist die genaue Version.

Skripte und Notebook erzeugt Tokenstrom automatisch. Bitte vor dem Ausführen kurz ansehen – sie sind lesbarer Klartext. Lizenz des Modells beachten: eigene Lizenz (siehe Model Card).