Mistral 209M 时间序列模型：CPU 上 140 毫秒预测未来数据，三大基准登顶

Mistral 新近推出的一个 209M 参数模型，可以在本地 CPU 上完成对未来数据的预测，单次耗时约 140 毫秒。

并非所有有价值的 AI 模型都必须会说话，Jev 就是先例。而这个模型连 GPU 也不需要。

它是为时间序列预测专门设计的一类超小型基础模型。把历史数据交给它——销售流水、用电量、工厂传感器读数、需求与库存、遥测数据等——它便能推断后续走势，不必针对每一个数据集重新训练一个专用模型。

最大版本的规格

• 参数量：209M
• 体积：837MB（FP32）
• 运行环境：CPU 或 GPU 均可
• 可接收的历史时间步：最多 32,768 个
• 单次前向传播的输出步数：最多 1,024 步
• 输出形式：21 个概率分位数

基准测试表现

Mistral 称，该模型在三个主要公共预测基准上均位列第一，成绩超过全部预训练与零样本模型：

• GIFT-Eval：第一
• TIME：第一
• fev-bench：第一

模型也可以做得更小，例如 Timestral-5M 只有 21MB。

速度

按 Mistral 给出的数据，在 8 线程 CPU 上：

• 5M 模型约 10 毫秒
• 209M 模型约 140 毫秒

上述耗时所对应的任务是：用三周、每 15 分钟一个采样点的历史数据，预测未来一天。