Timestral ist für Prognosen aus Zeitreihendaten ausgelegt, etwa aus Sensoren oder Betriebskennzahlen. Nach Angaben von Mistral AI kann die Modellfamilie mehrere zusammenhängende Reihen gemeinsam berücksichtigen und Wahrscheinlichkeitsverteilungen statt nur eines einzelnen Prognosewerts liefern. Sie unterstützt sowohl vergangene als auch bekannte zukünftige Kovariaten. Vortrainiert wurde Timestral mit synthetischen Daten und langen Kontexten; für die Anpassung an bestimmte Fachgebiete nennt Mistral AI Fine-Tuning über Mistral Forge.
Die Familie umfasst Modelle mit 5M, 28M, 123M und 209M Parametern. Mistral AI zufolge liefern größere Varianten bessere Prognosen, während kleinere schneller und günstiger sind. Auf GIFT-Eval, TIME und fev-bench habe das größte Modell jeweils den ersten Platz erreicht. Über alle fünf ausgewerteten Metriken hinweg liege Timestral bei den vortrainierten Zero-Shot-Modellen vorn. Die Ergebnisse beruhen laut Mistral AI auf einem einzelnen Checkpoint ohne Ensemble und wurden bei den Leaderboards von GIFT-Eval und TIME eingereicht.
Für die Inferenz sei keine GPU erforderlich. Auf einer Server-CPU mit acht Threads benötige das 5M-Modell 10 ms und das 209M-Modell 140 ms, um aus drei Wochen an 15-Minuten-Daten eine Prognose für den folgenden Tag zu erstellen. Das 28M-Modell sei fünfmal schneller als die größte Variante. Das 123M-Modell erreiche laut Mistral AI einen um 0,2 Prozent niedrigeren Score als das 209M-Modell bei drei Vierteln dessen Latenz.
Mistral AI gibt außerdem an, dass das 209M-Modell auf den drei Benchmarks mit zwei Dritteln der Parameterzahl des zuvor führenden Modells bessere Ergebnisse erzielt. Auf GIFT-Eval und TIME schlage die 28M-Variante demnach Chronos-2, obwohl dieses Modell etwa viermal so groß sei. Der Vergleich bezieht sich auf öffentliche Benchmark-Ergebnisse; die Ranglistenresultate wurden teilweise erst eingereicht. Ob die Leistung auf anderen Datensätzen ähnlich ausfällt, ist damit nicht belegt.