Mistral 开源了 Timestral，一套专门处理时间序列预测的模型，最小版本只有约 500 万参数，权重文件约 21MB。 它不是聊天模型，而是用来… · @byCanen · TwKit

@byCanen

Mistral 开源了 Timestral，一套专门处理时间序列预测的模型，最小版本只有约 500 万参数，权重文件约 21MB。 它不是聊天模型，而是用来预测销量、流量、设备指标等随时间变化的数据。 Timestral 共有 5M、28M、123M、209M 四个规模，均可通过 PyTorch 在 CPU 或 GPU 上运行。 除了输入历史数据，还支持传入已经知道的未来条件，例如节假日、计划促销日期等。 预测结果也不是一个确定数字，而是每个时间点给出 21 个分位数。 比如预测下周每天的销量，可以同时查看中位数和较高、较低分位数，评估可能的波动范围。 Python 3.10+ 环境安装： pip install git+https://github.com/mistralai/timestral.git 调用示例： from timestral import TimestralForecaster model = TimestralForecaster.from_pretrained("mistralai/Timestral-5M") 把自己的历史序列转换成 NumPy 数组后，就可以用 model.forecast(context, prediction_length=7) 做未来 7 个时间步的预测。 官方在 GIFT-Eval、TIME、fev-bench 等零样本基准中取得了较好结果，其中主要领先成绩来自最大的 209M 版本，不是最小的 5M 模型。 GitHub：https://github.com/mistralai/timestral

曝光 37 · 评论 1 · 点赞 1 · 书签 0