Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
mistral15. Juli 2026 · Q000796

Timestral: Mistral's time-series foundation models

mistral.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Mistral stellt Timestral als vierköpfige Modellfamilie für probabilistische Zeitreihenvorhersagen vor und behauptet Spitzenplätze in drei öffentlichen Benchmarks sowie effiziente CPU-Ausführung. Die Modelle sollen mehrere Reihen und bekannte zukünftige Einflussgrößen verarbeiten; der Bericht nennt Anpassungsmöglichkeiten über Forge, enthält aber keine vollständigen Benchmarktabellen und kennzeichnet die Leistungsangaben als Herstellerergebnisse.

Mittel

Der Bericht stellt Timestral als Mistral AIs erste Familie von Basismodellen für Zeitreihen vor. Die vier Varianten reichen von 5 bis 209 Millionen Parametern und sollen probabilistische Vorhersagen über mehrere zusammenhängende Reihen hinweg erstellen, einschließlich vergangener und bekannter zukünftiger Einflussgrößen. Mistral zufolge liegt das größte Modell in GIFT-Eval, TIME und fev-bench jeweils vorn; die Resultate seien ohne Ensemble mit einem einzelnen Checkpoint erzielt worden. Die Modelle sollen auch ohne domänenspezifisches Training auf unbekannten Daten funktionieren.

Als technische Grundlagen nennt der Bericht überwiegend synthetische Vortrainingsdaten, ein zweistufiges Training, längere Kontexte und eine Aufmerksamkeitsschicht, die verschiedene Arten von Eingaben berücksichtigt. Die Modelle geben 21 Quantile aus, unterstützen Kontexte bis 32.768 Zeitschritte und sollen auf CPUs ohne GPU laufen. Für die 5M- und 209M-Variante werden beispielhafte Laufzeiten von 17 beziehungsweise 113 Millisekunden für eine Tagesprognose genannt.

Mistral beschreibt außerdem Feinabstimmung und weitere Anpassungen über Forge sowie Bereitstellung auf Kundenhardware bis hin zu abgeschotteten Umgebungen. Die Leistungsangaben sind Herstellerbehauptungen. Der Text enthält keine ausgeschriebenen Benchmarktabellen; zudem weisen Diagrammhinweise auf abgeschnittene Achsen hin.

Ausführlich lesen

Der Bericht stellt Timestral vor, Mistral AI zufolge die erste eigene Familie von Basismodellen für Zeitreihen. Sie soll probabilistische Vorhersagen für mehrere zusammenhängende Reihen erstellen und sowohl vergangene als auch bekannte zukünftige Einflussgrößen berücksichtigen. Die vier Modellgrößen umfassen 5, 28, 123 und 209 Millionen Parameter. Mistral behauptet, das größte Modell belege in den öffentlichen Benchmarks GIFT-Eval, TIME und fev-bench jeweils den ersten Platz und übertreffe frühere Spitzenmodelle mit weniger Parametern. Für vortrainierte Zero-Shot-Modelle beanspruche Timestral zudem den ersten Rang über fünf Metriken hinweg. Die Resultate seien mit einem einzelnen Modell-Checkpoint und ohne Ensemble erzielt worden; Ergebnisse seien bei den Leaderboards von GIFT-Eval und TIME eingereicht worden.

Der Text ordnet Zeitreihenvorhersagen als wichtig für Bereiche wie Anlagenüberwachung, Energie, Lieferketten und Finanzen ein. Klassische Verfahren wie ARIMA würden meist einzelne Reihen anhand ihrer eigenen Historie modellieren. Deep-Learning-Modelle könnten Muster über mehrere Reihen lernen, würden aber häufig für jeden Datensatz neu trainiert. Vortrainierte Zeitreihenmodelle sollen dagegen Muster auf neue Reihen und Bereiche übertragen und damit auch ohne domänenspezifisches Training Vorhersagen ermöglichen.

Timestral soll laut Bericht auf einer Genauigkeits-Größen-Abwägungskurve liegen: Größere Varianten böten mehr Genauigkeit, kleinere seien schneller und günstiger. Mistral gibt an, dass das Modell für Vorhersagen keine GPU benötigt. Als Beispiel nennt der Bericht für eine Vorhersage einen Tag voraus, basierend auf drei Wochen Messwerten im 15-Minuten-Takt, 17 Millisekunden Laufzeit für die 5M- und 113 Millisekunden für die 209M-Variante auf einer Server-CPU mit acht Threads. Die 28M-Variante sei 3,6-mal schneller als die größte; die 123M-Variante liege beim Score innerhalb von 0,2 Prozent der größten bei drei Vierteln ihrer Latenz. Konkrete Benchmarkwerte sind im vorliegenden Text nicht ausgeschrieben; bei mehreren Diagrammen wird außerdem darauf hingewiesen, dass die Achsen nicht bei null beginnen und Balkenlängen daher nicht proportional zu den Scores sind.

Als technische Ansätze nennt Mistral eine Trennung von Vorhersagehorizont und Kontext, eine Aufmerksamkeitsschicht mit Rollen für Zielreihen sowie vergangene und bekannte zukünftige Kovariaten, überwiegend synthetische Vortrainingsdaten und ein zweistufiges Training mit später längerer Kontextlänge. Die Ausgaben umfassen 21 Quantile; die angegebene Kontextlänge beträgt 32.768 Zeitschritte. Für Organisationen wird Anpassung über Mistral Forge beschrieben, einschließlich Feinabstimmung mit eigenen Daten und Kontrolle über Trainingsdaten. Laut Bericht kann die Pipeline auf Kundenhardware, auch in abgeschotteten Umgebungen, betrieben werden. Timestral sei unter einer modifizierten MIT-Lizenz verfügbar. Die Angaben und Leistungsversprechen stammen aus einer Produktveröffentlichung von Mistral; unabhängige Validierung oder detaillierte Benchmarktabellen enthält der bereitgestellte Text nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung ist im Kern treu, lässt aber zentrale technische Aussagen wie die Pareto-Front und den agentischen Einsatz aus; die Einordnung stützt sich auf den Bericht, und die Fragen zu Verhalten, Gemeinwohl und Meldepflichten werden von ihm kaum berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Pareto-Front-Aussage (jede Größe ist für ihre Größe die beste öffentliche Option) fehlt in beiden Fassungen.
  • Das Zusammenspiel mit Sprachmodellen in agentischen Workflows (Anomalieerkennung, Ursachenanalyse, Diagnoseentwurf) fehlt, obwohl es als Anwendungsfall ausführlich beschrieben ist.
  • Die Kurzfassung nennt das synthetisch-zuerst Vortraining und das Zweistufentraining nicht; die Mittelfassung nennt nur allgemein überwiegend synthetische Daten.
  • Die Lizenz (Modified MIT), das GitHub-Repository und das Verfahren DHF (Decoupled Horizon Forecasting) werden nicht genannt.
  • Die Aussage, dass das 28M-Modell den rund viermal größeren Chronos-2 auf GIFT-Eval und TIME schlägt, fehlt.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Kurzfassung: Der Bericht kennzeichnet die Leistungsangaben nicht ausdrücklich als Herstellerergebnisse; das ist eine Einordnung von Luna, die im Text so nicht steht.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 35 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 41 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 35 %umfangreiche Belege
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 37 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 25 %Hintergrund, keine Belege
    • JEV 51 %einzelne zitierbare Belege
    • amos 25 %nur am Rande erwähnt
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 45 %umfangreiche Belege
    • JEV 42 %beantwortet teilweise oder widerspricht
    • amos 28 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 44 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 56 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →