Die Modelle erstellen probabilistische Prognosen für mehrere Zeitreihen zugleich. Sie können vergangene Messwerte und bekannte künftige Einflussgrößen einbeziehen. Laut Mistral AI liegt das größte Modell mit 209M Parametern bei den vortrainierten Zero-Shot-Modellen auf den drei Benchmarks GIFT-Eval, TIME und fev-bench jeweils vorn. Die Ergebnisse stammen aus einem einzelnen Modell-Checkpoint, ohne Kombination mehrerer Modelle; Mistral AI hat sie bei den Leaderboards eingereicht.
Zur Familie gehören Modelle mit 5M, 28M, 123M und 209M Parametern. Die kleineren Varianten sind schneller, während größere Modelle laut Mistral AI bessere Prognosewerte erzielen. Auf einem Server-Prozessor mit 8 Threads dauerte ein Test für eine Prognose über einen Tag auf Grundlage von drei Wochen Messdaten im 15-Minuten-Abstand beim 5M-Modell 10 ms, beim 209M-Modell 140 ms. Das 28M-Modell war dabei fünfmal schneller als das größte; das 123M-Modell erreichte laut Mistral AI einen Wert, der höchstens 0,2 Prozent vom 209M-Modell abwich, bei drei Vierteln von dessen Latenz.
Timestral gibt für jeden Zeitschritt 21 Quantile aus. Damit beschreibt es nicht nur einen einzelnen Prognosewert, sondern auch die mögliche Streuung. Die gemeinsame Verarbeitung mehrerer Reihen soll Zusammenhänge zwischen Messgrößen berücksichtigen. Als zusätzliche Eingaben unterstützt das Modell laut Mistral AI vergangene und bekannte künftige Einflussgrößen. Die Trainingsmethode kombiniert synthetische Daten, Aufmerksamkeit für solche Einflussgrößen und Lernen mit langen Kontexten.
Die Modelle sind für Zero-Shot-Prognosen ausgelegt: Sie sollen Muster auf Daten übertragen, die beim Training nicht vorkamen. Für die Anpassung an bestimmte Einsatzbereiche nennt Mistral AI Fine-Tuning über Mistral Forge. Eine unabhängige Bewertung der Benchmark-Ergebnisse geht aus den vorliegenden Angaben nicht hervor. MarkTechPost nennt für fev-bench einen SQL skill score von 50.39 und für GIFT-Eval einen MASE-Wert von 0.658; Mistral AI selbst beschreibt die Platzierungen, ohne diese Zahlen im bereitgestellten Auszug aufzuführen.