L’ANALISI
Timestral: forecasting probabilistico locale su CPU e GPU
Analisi pratica di Mistral Timestral: modelli 5M-209M, forecasting probabilistico, covariate, CPU, licenze, benchmark dichiarati e checklist di test.
In breve: Timestral rende scaricabile una famiglia di modelli foundation specializzati nelle serie temporali, non un chatbot. Può produrre forecast probabilistici zero-shot su dati multivariati e integrare variabili future note, con taglie abbastanza piccole da girare anche su CPU. Prima di usarlo va però confrontato sul proprio orizzonte con baseline semplici, split temporali corretti e costi misurati.
Che cosa è diventato eseguibile
Il rilascio comprende quattro checkpoint da 5M, 28M, 123M e 209M parametri e un repository standalone. L’interfaccia accetta serie target, covariate disponibili solo nel passato e covariate future note, restituendo 21 quantili invece di un singolo valore. Questo permette di stimare anche l’incertezza e non soltanto una previsione puntuale.
Dove può essere utile
Il caso naturale non è la conversazione ma la previsione di domanda, carichi, sensori, capacità e anomalie. Il contesto arriva a 32.768 passi e la stessa famiglia copre compromessi diversi tra latenza e accuratezza. Mistral dichiara inferenza CPU, ma tempi e memoria vanno misurati sulla frequenza, sul numero di serie e sull’orizzonte realmente usati.
Come leggere i benchmark
Mistral dichiara il primo posto zero-shot sui benchmark pubblici GIFT-Eval, TIME e fev-bench con un unico checkpoint. È evidenza del produttore: non dimostra che Timestral superi ARIMA, regressione, modelli stagionali o reti già adattate sul dataset aziendale. La verifica corretta usa finestre temporali bloccate, metriche coerenti e nessun dato futuro nel training.
Licenze e confine operativo
Il repository di codice è distribuito con Apache 2.0, mentre le model card indicano una Modified MIT per i pesi. Il modello può essere inserito in pipeline on-premise, VPC o air-gapped, ma Forge e i servizi di adattamento restano un livello separato. Prima della produzione servono governance dei dati, versionamento del checkpoint e monitoraggio del drift.
Condizioni e limiti
Il rapporto tecnico completo non è ancora pubblicato e i risultati non sono stati replicati in questo aggiornamento. I dati sintetici costituiscono gran parte del pretraining dichiarato; domini con regimi rari o cambi improvvisi possono richiedere adattamento. Una previsione probabilistica non sostituisce regole operative, controllo umano e validazione delle conseguenze.
Condizioni e limitazioni
I primati su GIFT-Eval, TIME e fev-bench sono dichiarazioni del produttore e non sono stati riprodotti su dati aziendali o hardware locale. Il rapporto tecnico completo deve ancora arrivare; codice e pesi hanno licenze distinte e il valore reale dipende da backtest senza leakage contro baseline semplici.
Checklist pratica
- Bloccare commit del repository e revisione esatta del checkpoint.
- Scegliere una serie pubblica o aziendale sanificata con frequenza e orizzonte realistici.
- Creare split temporali senza shuffle e senza leakage delle covariate future.
- Confrontare almeno una baseline stagionale e il modello già in uso.
- Misurare errore, calibrazione dei quantili, latenza, RAM e consumo CPU o GPU.
- Ripetere il backtest su più finestre e includere periodi anomali.
- Documentare licenza dei pesi, dati, rollback e soglia di allerta prima della produzione.