--- title: "Mistral lance Timestral, la prévision de séries temporelles sans GPU" description: "Mistral a présenté le 15 octobre 2026 Timestral, sa première famille de modèles de fondation pour séries temporelles, de 5 à 209 millions de paramètres. Elle revendique la première place sur les trois grands benchmarks publics du domaine, et elle tourne sur un processeur ordinaire." canonical: https://inyourgeek.com/articles/2026-10-19-mistral-lance-timestral-la-prevision-de-series-temporelles-sans type: article author: "Sébastien Soulier" publisher: "InYourGeek" language: fr datePublished: 2026-10-19 dateModified: 2026-10-19 section: "IA" tags: ["mistral", "prevision", "benchmarks"] --- # Mistral lance Timestral, la prévision de séries temporelles sans GPU > Mistral a présenté le 15 octobre 2026 Timestral, sa première famille de modèles de fondation pour séries temporelles, de 5 à 209 millions de paramètres. Elle revendique la première place sur les trois grands benchmarks publics du domaine, et elle tourne sur un processeur ordinaire. 19 octobre 2026 · IA · 3 min Le 15 octobre 2026, Mistral a annoncé sur [son blog](https://mistral.ai/news/timestral/) Timestral, sa première famille de modèles de fondation pour séries temporelles. Cette fois, il n'y a ni chatbot ni poème en alexandrins : il y a des courbes. Ce sont des relevés de capteurs, des métriques d'observabilité, des volumes financiers. Toutes les entreprises en ont en quantité industrielle, et personne n'en montre jamais pendant une keynote. ## Ce que ça change par rapport à ARIMA Pour comprendre l'intérêt, il faut voir comment on prévoit une série temporelle aujourd'hui. Les modèles classiques, comme ARIMA ou la régression linéaire, restent des outils éprouvés. Mais on les ajuste sur une seule série, et ils n'apprennent que de son historique. Les modèles d'apprentissage profond comme PatchTST repèrent des motifs non linéaires sur de nombreuses séries liées. En général, pourtant, on les entraîne de zéro sur chaque jeu de données, et ce qu'ils ont appris ne sert pas dans un autre domaine. Un modèle de fondation applique aux séries temporelles la recette des grands modèles de langage. On le pré-entraîne sur un corpus vaste et varié, puis il prévoit en *zero-shot* : il travaille sur des données qu'il n'a jamais vues, même là où l'historique est maigre. Mistral explique combiner trois techniques : un pré-entraînement sur données synthétiques, une attention qui tient compte des covariables et un apprentissage sur contexte long. Si vous voulez adapter le modèle à votre domaine, Mistral propose de l'affiner via Mistral Forge. ## Quatre tailles, et le podium Timestral existe en quatre tailles : 5, 28, 123 et 209 millions de paramètres. Toutes partagent la même architecture et la même recette d'entraînement. Le plus gros s'arrête à 209 millions de paramètres, ce que Mistral présente lui-même comme peu. Selon l'éditeur, il arrive premier sur les trois benchmarks publics de référence du domaine : GIFT-Eval, TIME et fev-bench. Il battrait l'état de l'art précédent avec deux tiers de ses paramètres, et ce avec un seul checkpoint, sans combiner plusieurs modèles. Mistral donne aussi des comparaisons directes. La version 28M battrait Chronos-2, environ quatre fois plus gros, sur GIFT-Eval et TIME. La version 209M devancerait TimesFM-3 et Falcon-2.0 avec moins de paramètres. D'après Mistral, chaque taille se place sur le front de Pareto entre précision et taille : à taille égale, aucun modèle public ne prévoit mieux. Une nuance s'impose : tous ces chiffres viennent de l'annonce elle-même. Les résultats ont été soumis aux classements GIFT-Eval et TIME, mais pour l'instant c'est l'éditeur qui tient le chronomètre. ## Pas besoin de GPU C'est peut-être l'argument le plus concret : Timestral n'a pas besoin de GPU pour produire ses prévisions. Prenons un processeur de serveur standard avec 8 threads et trois semaines d'historique relevé toutes les 15 minutes. Prévoir la journée suivante prend 10 ms avec le modèle de 5M et 140 ms avec celui de 209M. Le 28M va cinq fois plus vite que le 209M. Le 123M atteint le score du grand modèle à 0,2 % près, en trois quarts de son temps de réponse. Vous n'aurez donc sans doute pas à défendre un budget GPU devant la DSI, ni à attendre la livraison des cartes pendant un trimestre. ## À qui ça s'adresse Mistral vise clairement l'entreprise : télémétrie de capteurs, planification de capacité, énergie, chaînes d'approvisionnement, gestion du risque, maintenance. Son exemple phare est une usine équipée de milliers de capteurs. Sur une pompe, la vibration, la température et la pression évoluent ensemble. Timestral modélise donc ces séries conjointement, ce qu'on appelle une prévision multivariée, au lieu de traiter chaque capteur à part. Ses prévisions sont aussi probabilistes : il donne une fourchette de valeurs possibles plutôt qu'un chiffre unique. Il accepte enfin des covariables, passées ou connues à l'avance, comme un planning de production. Côté finance, il peut prévoir des flux, des volumes et de la volatilité sur des milliers de comptes. Pour une fois, un modèle d'IA qui prédit l'avenir donne aussi sa marge d'erreur. C'est déjà plus que la plupart des feuilles de route produit. ## Sources - [Timestral: Mistral release time-series foundation models](https://mistral.ai/news/timestral/) — mistral.ai _Article rédigé avec assistance IA à partir des sources citées, relu et validé par un humain avant publication._ --- Page HTML équivalente : https://inyourgeek.com/articles/2026-10-19-mistral-lance-timestral-la-prevision-de-series-temporelles-sans Publié par InYourGeek — https://inyourgeek.com/a-propos Méthode et garde-fous : https://inyourgeek.com/methode Tous les articles : https://inyourgeek.com/archives