Mistral Timestral: Forecast 209M Parameter di CPU, 140 ms per Prediksi

Mistral merilis Timestral, keluarga model time-series dengan ukuran 5M sampai 209M parameter, dan model terbesarnya menempati peringkat pertama di GIFT-Eval, TIME, dan fev-bench. Pada CPU server standar dengan 8 thread, prediksi satu hari ke depan dari riwayat tiga minggu berinterval 15 menit memakan 10 ms dengan model 5M dan 140 ms dengan model 209M. Rilis ini diumumkan Mistral pada 15 Juli 2026.

TL;DR

• Empat ukuran: 5M, 28M, 123M, dan 209M parameter.
• 209M peringkat pertama di GIFT-Eval, TIME, dan fev-bench.
• Inferensi tanpa GPU: 10 ms sampai 140 ms per prediksi di CPU 8 thread.
• Output probabilistik 21 kuantil, mendukung kovariat masa depan.
• Fine-tuning domain lewat Mistral Forge.

Berapa ukuran model dan seberapa cepat di CPU?

Keempat ukuran memakai arsitektur dan resep training yang sama, jadi perbedaannya murni skala. Model 5M adalah yang tercepat dan paling murah, model 209M adalah yang paling akurat, dan dua ukuran di antaranya mengisi ruang antara. Mistral menyebut keempatnya berada di Pareto front antara akurasi dan ukuran model, artinya pada setiap ukuran tidak ada model publik lain yang forecast-nya lebih baik.

Angka latensi yang dipublikasikan cukup konkret. Dengan riwayat tiga minggu data 15 menit dan horizon satu hari, model 5M selesai dalam 10 ms, sedangkan model 209M dalam 140 ms. Model 28M sekitar lima kali lebih cepat daripada 209M, dan model 123M berada dalam selisih 0,2 persen dari skor 209M dengan latensi tiga perempatnya. Kombinasi itu membuat 123M terlihat seperti titik seimbang untuk produksi.

Ukuran	Latensi CPU 8 thread	Posisi
5M	10 ms	Paling cepat dan paling murah
28M	5 kali lebih cepat dari 209M	Mengalahkan Chronos-2 yang sekitar 4 kali lebih besar
123M	3/4 latensi 209M	Dalam 0,2 persen dari skor 209M
209M	140 ms	Peringkat pertama di tiga benchmark publik

Benchmark apa yang dipakai dan hasilnya bagaimana?

Tiga benchmark yang disebut adalah GIFT-Eval, TIME, dan fev-bench, semuanya tolok ukur publik untuk forecasting. Mistral mengklaim model 209M menempati peringkat pertama di kelima metrik pada ketiga benchmark tersebut untuk kategori model pre-trained zero-shot, dan hasilnya berasal dari satu checkpoint tanpa ensembling. Pada GIFT-Eval, model itu masuk sepuluh besar dari 83 entri pretrained dan zero-shot yang dibandingkan.

Klaim yang lebih menarik adalah efisiensi parameter. Model 209M disebut mengalahkan state of the art sebelumnya dengan hanya dua pertiga jumlah parameter. Model 28M disebut mengalahkan Chronos-2 yang sekitar empat kali lebih besar pada GIFT-Eval dan TIME, sementara model 209M mengalahkan TimesFM-3 dan Falcon-2.0 dengan parameter lebih sedikit. Kalau angka ini bertahan di pengujian independen, implikasinya besar untuk biaya inferensi.

Yang perlu dicatat: hasil benchmark adalah klaim vendor sampai direplikasi. Mistral menyebut hasil sudah disubmit ke leaderboard GIFT-Eval dan TIME, dan technical report lengkap akan menyusul. Sampai report itu terbit, angka-angka ini sebaiknya diperlakukan sebagai indikasi kuat, bukan kebenaran final. Repositori pembanding yang disebut dalam benchmark bisa dilihat di TimesFM dan Chronos.

Apa itu Decoupled Horizon Forecasting?

DHF adalah cara model memisahkan nilai yang diprediksi dari konteks yang dipakai untuk memprediksi. Pendekatan decoder kausal yang umum, seperti pada Toto 2.0 dan TimesFM-3, menutup nilai yang akan diramal dengan contiguous patch masking. Nilai itu jadi tampak seperti data hilang, dan ikut hilang sebagai konteks untuk prediksi berikutnya. DHF memisahkan keduanya: seluruh riwayat tetap berada di sequence, dan token forecast yang dipelajari membaca riwayat di depannya.

Konsekuensinya, setiap nilai observasi berfungsi ganda sebagai target dan konteks. Celah data yang benar-benar hilang tetap ditandai sebagai hilang, bukan dicampur dengan nilai yang sengaja disembunyikan. Panjang horizon training dan augmentasi data hilang juga bisa diatur independen, sehingga tim bisa menyesuaikan model ke pola data yang berbeda tanpa mengubah arsitektur.

Untuk data operasional, sifat ini relevan. Sensor telemetri sering punya celah karena perangkat offline, dan model yang mencampur celah nyata dengan masking buatan cenderung belajar pola yang salah. Memisahkan keduanya membuat model lebih tahan terhadap data produksi yang tidak rapi.

Bagaimana model menangani banyak seri sekaligus?

Timestral memodelkan seri yang berkorelasi secara bersama, bukan satu per satu. Dalam contoh pabrik, getaran, suhu, dan tekanan sebuah pompa tidak bergerak independen, dan kenaikan salah satunya sering menjelaskan atau menyebabkan perubahan yang lain. Dengan memodelkan bersama, model bisa memakai dependensi itu alih-alih menganggap setiap sensor terpisah.

Setiap seri input diberi peran: target, kovariat past-only, atau kovariat known-future. Kovariat known-future terlihat di seluruh jendela, sementara target tetap kausal, dan informasi hanya mengalir dari kovariat ke target. Aturan ini mencegah kebocoran informasi masa depan dari target ke ramalan target itu sendiri, masalah yang sering muncul kalau semua kolom diperlakukan sama.

Model juga menerima kovariat kategorikal secara langsung, misalnya hari dalam seminggu atau status mesin seperti running, idle, dan maintenance. Mengubah kategori menjadi angka akan memaksakan urutan dan skala yang tidak dimiliki kategori tersebut, dan itu sumber bias yang sering tidak disadari. Dukungan kategorikal native menghilangkan langkah rekayasa fitur yang rawan salah.

Kapan model time-series foundation layak dipakai?

Layak dipakai ketika jumlah seri banyak, riwayat per seri terbatas, dan tidak ada waktu untuk melatih model khusus per seri. Model klasik seperti ARIMA dan regresi linear tetap alat yang mapan, tetapi keduanya biasanya di-fit ke satu seri dan hanya belajar dari riwayat seri itu. Pada ribuan seri dengan pola serupa, pendekatan itu mahal dan lambat.

Model foundation mengambil pendekatan berbeda: pre-training pada korpus besar dan beragam, lalu zero-shot pada data yang belum pernah dilihat. Untuk domain dengan data langka, ini sering satu-satunya cara mendapat forecast yang masuk akal tanpa mengumpulkan data bertahun-tahun. Untuk domain dengan data melimpah dan pola stabil, model khusus per seri masih bisa menang.

Kriteria praktisnya bisa disederhanakan. Kalau jumlah seri di bawah sepuluh dan riwayatnya panjang, mulai dari model klasik. Kalau jumlah seri ratusan atau ribuan dan pola antar seri mirip, model foundation lebih masuk akal. Kalau akurasi kritis dan data in-domain tersedia, fine-tuning lewat Mistral Forge adalah jalur tengah yang menghindari pelatihan dari nol.

Bagaimana cara mulai memakainya?

Langkah pertama adalah menyiapkan data dalam bentuk yang benar: timestamp yang konsisten, interval yang seragam, dan penanda eksplisit untuk nilai hilang. Model ini menerima data 15 menit sebagai contoh benchmark, tetapi interval lain juga bisa dipakai selama strukturnya konsisten. Jangan mengisi nilai hilang dengan nol atau rata-rata sebelum mencoba model yang mendukung penanda hilang, karena itu menghapus informasi yang justru berguna.

Langkah kedua adalah memilih ukuran model berdasarkan anggaran latensi, bukan berdasarkan skor benchmark tertinggi. Untuk prediksi batch yang berjalan malam, model 209M masih sangat murah. Untuk prediksi real-time yang dipanggil ribuan kali per menit, model 5M atau 28M lebih realistis. Selisih akurasi antar ukuran lebih kecil daripada selisih latensi, jadi keputusan ukuran sebaiknya dimulai dari kebutuhan sistem.

Langkah ketiga adalah mengukur dengan data sendiri. Benchmark publik mengukur performa umum, sementara data produksi bisa berbeda secara perilaku dan struktur, dan bisa bergeser seiring waktu ketika pasar berubah rezim atau peralatan menua. Nilai jangka panjang ada pada kemampuan menyesuaikan model ke data in-domain dan melatih ulang saat distribusinya bergeser. Detail produk dan dokumentasi ada di pengumuman Timestral dan dokumentasi Mistral.

Satu hal yang perlu diingat: forecast probabilistik bukan ramalan tunggal. Output 21 kuantil memberi rentang ketidakpastian, dan keputusan operasional sebaiknya memakai rentang itu, bukan hanya nilai median. Untuk perencanaan kapasitas, kuantil atas lebih berguna. Untuk pengelolaan stok, kuantil bawah sering lebih relevan karena biaya kehabisan barang lebih mahal daripada biaya simpan.

Apa keterbatasan yang perlu diketahui?

Keterbatasan pertama adalah horizon. Model ini dirancang untuk forecast jangka pendek sampai menengah dengan pola yang bisa dipelajari dari riwayat, bukan untuk proyeksi bertahun-tahun ke depan yang dipengaruhi perubahan struktural. Untuk perencanaan kapasitas lima tahun, forecast statistik tetap butuh asumsi skenario dari manusia, bukan hanya output model.

Keterbatasan kedua adalah ketergantungan pada kualitas data historis. Model yang dilatih pada data dengan outlier ekstrem, perubahan kebijakan, atau pengukuran rusak akan membawa pola itu ke ramalan. Pembersihan data dan penandaan periode anomali tetap pekerjaan yang harus dilakukan sebelum model dipakai, dan tidak ada model foundation yang bisa melewati langkah itu.

Keterbatasan ketiga adalah evaluasi. Metrik seperti MASE dan WQL mengukur kualitas statistik, bukan nilai bisnis. Forecast yang lebih akurat secara metrik bisa menghasilkan keputusan yang lebih buruk kalau dipakai tanpa mempertimbangkan biaya kesalahan. Karena itu pengukuran sebaiknya dilakukan pada metrik keputusan, misalnya biaya simpan ditambah biaya kehabisan stok, bukan hanya pada skor benchmark.

Keterbatasan keempat adalah transparansi. Model 209M parameter tidak bisa dijelaskan per prediksi seperti regresi linear dengan beberapa koefisien. Untuk domain yang diatur ketat dan butuh justifikasi keputusan, itu bisa menjadi hambatan kepatuhan meski akurasinya lebih baik. Dalam kasus seperti itu, kombinasi model sederhana sebagai baseline dan model foundation sebagai pembanding sering lebih mudah diterima.

FAQ

Apakah Timestral butuh GPU untuk inferensi?

Tidak. Mistral menyebut model ini berjalan efisien di CPU, dengan latensi 10 ms untuk model 5M dan 140 ms untuk model 209M pada CPU 8 thread untuk horizon satu hari dari riwayat tiga minggu berinterval 15 menit.

Berapa ukuran model yang tersedia?

Ada empat: 5M, 28M, 123M, dan 209M parameter. Semuanya memakai arsitektur dan resep training yang sama, sehingga pemilihan ukuran adalah soal trade-off akurasi versus latensi dan biaya.

Apakah model ini bisa dipakai zero-shot?

Ya, zero-shot adalah salah satu klaim utamanya. Model dilatih pada korpus besar dan beragam sehingga bisa melakukan forecast pada data yang belum pernah dilihat, termasuk di domain dengan data langka.

Bagaimana kalau data saya punya pola khusus?

Mistral menyediakan fine-tuning domain lewat Mistral Forge. Untuk data produksi yang bergeser seiring waktu, fine-tuning dan retraining berkala lebih tepat daripada mengandalkan zero-shot terus-menerus.

Apakah hasil benchmark bisa langsung dipercaya?

Angka benchmark adalah klaim vendor sampai direplikasi independen. Hasil sudah disubmit ke leaderboard GIFT-Eval dan TIME, dan technical report lengkap dijanjikan menyusul. Uji dengan data sendiri sebelum mengambil keputusan produksi.