先看证据
把机制串起来
时序基础模型先在大量不同序列上预训练，再直接预测未见过的数据；“零样本”指不针对目标数据集微调，不等于对所有领域都可靠或胜过专用模型。概率预测不只给单一数值，而是给出多个分位数，表达未来结果的不确定性。
模型把序列切成每段 32 个时间步的 patch，用因果 Transformer 的时间注意力处理时间关系、变量注意力整合多变量信息；209M 版本为 24 层、768 维。DHF 让学习得到的预测 token 读取完整历史来生成预测，历史观测不必像连续遮挡式训练那样被移出上下文；这有利于保留历史信息，但其优势仍需在更多任务上验证。协变量按目标、仅历史可用、已知未来等角色区分，信息只从协变量流向目标，协变量不读取目标值，以减少预测期信息泄漏。训练先用合成数据、8,192 步上
['适合无 GPU、需快速零样本试跑的标准服务器场景。', '提供未来协变量前，确认其在预测时确实已知。', '超出 1,024 步会递归分块，长跨度要检验误差累积。', '陌生领域或高风险决策应先做本地回测，勿只看榜单。']
零样本承诺，改变的是起步方式
Mistral AI 于 2026 年 10 月 15 日发布 Timestral，这是该公司的首个时序基础模型系列，包含 5M、28M、123M 和 209M 四种规格，面向不熟悉的新序列预测问题。它的目标不是先为每个数据集重新训练，而是在多样数据上预训练，再直接对未见过的序列进行零样本预测。
这让它落在经典统计模型与按数据集训练的深度模型之间。ARIMA 往往逐条序列拟合，PatchTST 等方法通常需要围绕具体数据集训练；Timestral 则把“能否迁移”作为产品承诺。对工程团队来说，关键变化不是模型名字里有“基础”，而是可以先用统一模型做基线，再决定哪些业务序列值得专项建模。
预测跨度与历史上下文被分开处理
209M 版本是一个基于 patch 的因果 Transformer，包含 24 层、768 维嵌入，每个 patch 覆盖 32 个时间步。模型最多接收 32,768 步历史，单次前向传播最多预测 1,024 步；需要更长跨度时，它分块生成预测，并把上一块的中位数预测重新放入上下文。后一步意味着长预测并非一次性生成，而是依赖前面预测继续向前推。
Mistral 将其关键设计称为解耦预测跨度（DHF）：学习得到的预测 token 读取完整历史，已观测值继续留在上下文中，而不是像连续 patch 遮蔽方案那样把部分观测遮住。模型以时间注意力和变量注意力处理序列关系，并为每个时间步输出 21 个分位数。它因此提供的是一组概率预测，而不是只有单一数值；但长跨度分块时回填中位数，也意味着后续块会继承前面预测的误差。
协变量能帮忙，也可能成为数据契约
Timestral接受三类输入：要预测的目标序列、只在历史中可见的协变量，以及预测期间已知的协变量。后者可以覆盖未来区间，例如业务上提前确定的变量。官方实现规定信息由协变量流向目标，而协变量本身不读取目标值，设计目的之一是避免未来信息泄漏。
这让模型能处理多变量预测，但也把输入治理变成部署的一部分。团队必须明确哪些字段在预测时确实已知，哪些只能从历史获得，并保证训练与线上数据遵循相同定义。若把实际预测时拿不到的字段误标为“已知未来”，离线评估就可能高估效果；这不是更换模型能够修复的问题，而是特征可用性和数据契约的问题。
榜单领先，但领先幅度并不均匀
Mistral 报告称，Timestral-209M 在 GIFT-Eval、TIME 和 fev-bench 的零样本预训练模型中排名第一，结果来自单一检查点，没有集成。模型卡给出的主要数字是：GIFT-Eval 的 MASE 为 0.658、CRPS 为 0.446；TIME 的 MASE 为 0.626、CRPS 为 0.522；fev-bench 的 SQL skill score 为 50.39，MASE skill score 为 39.49。MASE 和 CRPS 越低越好，skill score 越高越好。
这些数字需要连同差距一起读。在 GIFT-Eval 上，0.658 只比 t0-gamma 的 0.661 略低；在 fev-bench 的 SQL skill score 上，50.39 高于 TimesFM-3 的 48.99。规模扩张也没有带来明显的顶端跃升：123M 在 GIFT-Eval 的 MASE 为 0.659，几乎贴近 209M 的 0.658。榜单支持“具有竞争力”，却不足以推出它在某个公司的业务序列上必然胜过专用模型。
CPU运行降低试用门槛，不等于零成本
部署数据让这个模型家族的取舍更具体。Mistral 在标准服务器 CPU、8 线程条件下，以三周的 15 分钟频率历史预测一天：5M 版本耗时 10 毫秒，209M 版本耗时 140 毫秒。209M 的 fp32 权重为 837 MB，GPU 是可选项而非必需项。这个结果说明团队可以在不先配置推理 GPU 的情况下评估模型，但它只对应给定任务和硬件条件，不应直接当作生产吞吐承诺。
实际选型还要看预测规模、延迟预算和误差代价。123M 在 GIFT-Eval 上的得分接近 209M，而材料称它的延迟也更低，提示更大的检查点未必值得默认采用。超出 1,024 步的预测会分块推进，训练则以合成数据为主，再用真实与合成混合数据进行更长上下文的后训练。技术负责人可以先用本地历史做滚动回测，比较不同规格与现有基线，并检查协变量在真实预测时是否可用；若业务风险高或序列分布独特，零样本模型应先作为基线，而不是未经验证的替代品。