A Mistral lançou em 15 de outubro o Timestral, sua primeira família de modelos de base para séries temporais. São quatro tamanhos, de 5 milhões a 209 milhões de parâmetros, com pesos abertos sob licença MIT modificada. Nos números publicados pela empresa, a versão de 209 milhões fica em primeiro lugar nos testes GIFT-Eval, TIME e fev-bench sem ajuste fino e supera o TimesFM-3, do Google, que tem 330 milhões. O modelo dispensa GPU: a previsão leva cerca de 140 milissegundos numa CPU de servidor.
Em resumo
- O lançamento: modelos de 5M, 28M, 123M e 209M parâmetros, histórico de até 32.768 passos e previsão probabilística em 21 quantis.
- Resultado: no GIFT-Eval, erro MASE de 0,658 contra 0,667 do TimesFM-3 e 0,698 do Chronos-2. A margem é pequena e os números são da Mistral.
- Custo: roda em CPU. Cerca de 10 ms no modelo de 5M e 140 ms no de 209M, numa CPU de servidor com 8 threads.
- Licença: pesos sob MIT modificada e código sob Apache 2.0. Os pesos do TimesFM-3 são liberados só para uso não comercial.
- Pendências: o relatório técnico ainda não saiu e as fontes consultadas não registram reprodução independente dos resultados.
O que a Mistral lançou?
Um modelo de base para séries temporais faz previsão sem treino prévio nos dados do cliente. Ele recebe o histórico, como vendas diárias, leitura de sensor ou consumo de energia, e devolve a previsão com uma faixa de incerteza. O Timestral entrega 21 quantis, de 1% a 99%. Aceita uma série ou várias ao mesmo tempo e dois tipos de variável de apoio: as que só têm passado e as que já são conhecidas no futuro, como um calendário de promoções.
Pela ficha no Hugging Face, o modelo de 209 milhões é um transformer que lê a série em blocos de 32 passos, com atenção no tempo e entre as variáveis, em 24 camadas. Ele aceita até 32.768 passos de histórico e prevê até 1.024 passos de uma vez. Para horizontes maiores, segue em blocos e realimenta a mediana de cada bloco como histórico.
A Mistral destaca duas escolhas de projeto. A primeira mantém o histórico inteiro na sequência e usa marcadores de previsão aprendidos, que a empresa chama de Decoupled Horizon Forecasting. A segunda deixa a informação fluir só das variáveis de apoio para a série-alvo. O treino usou sobretudo dados sintéticos, em duas etapas: pré-treino com contexto de 8.192 passos e pós-treino com dados reais e sintéticos e contexto quatro vezes maior.
Quanto ele supera o TimesFM-3?
A ficha do modelo traz a tabela. No GIFT-Eval, o Timestral-209M tem MASE de 0,658, menor é melhor. Depois vêm o t0-gamma, com 0,661, o TimesFM-3, com 0,667, o Toto-2.0-2.5B, com 0,696, e o Chronos-2, com 0,698. No TIME, o MASE é de 0,626 contra 0,640 do TimesFM-3. No fev-bench, a nota de habilidade em quantis é de 50,39 contra 48,99. O Timestral lidera nas seis métricas da tabela.
A vantagem sobre o TimesFM-3 no MASE do GIFT-Eval é de cerca de 1,3%. A diferença de tamanho é maior. O TimesFM-3 tem 330 milhões de parâmetros, segundo o MarkTechPost. O Timestral-209M tem 63% disso, o que bate com os “dois terços” citados pela Mistral. A família também escala bem para baixo: o modelo de 123 milhões fica a 0,2% do maior, e o de 28 milhões supera o Chronos-2, cerca de quatro vezes maior, no GIFT-Eval e no TIME.
Os números vêm da Mistral. A empresa diz que usou um único checkpoint, sem combinação de modelos, e que enviou os resultados aos rankings públicos do GIFT-Eval e do TIME. O AI/TLDR e o explainx.ai lembram que ainda não há reprodução independente e que esses rankings mudam a cada nova entrada. O próprio TimesFM-3 chegou ao topo dos três testes em agosto, há cerca de seis semanas.
Por que a licença faz diferença?
Os pesos do TimesFM 3.0 saíram sob uma licença não comercial do Google, que veta uso em produção, segundo o MarkTechPost. Para quem quer colocar o modelo do Google num produto, a opção indicada pela publicação é o TimesFM 2.5, sob Apache 2.0. O Timestral chega com pesos sob MIT modificada. O repositório no GitHub cita uma condição: não usar os pesos de forma que viole direitos de terceiros, inclusive de propriedade intelectual. O explainx.ai recomenda ler a licença completa antes de embutir o modelo num produto, porque MIT modificada tem termos próprios.
O tamanho também conta. Em precisão de 32 bits, o modelo de 5 milhões ocupa 21 MB e o de 209 milhões, 837 MB. A Mistral oferece instalação local, em nuvem privada ou em ambiente isolado da internet. Para ajuste fino com dados próprios, a empresa aponta o Mistral Forge.
Como chegamos até aqui?
Previsão de séries temporais virou disputa de modelo de base em pouco tempo. Em 31 de agosto de 2026, o Google publicou o TimesFM-3, primeira versão da família que prevê várias séries juntas, e ele ficou em primeiro nos três rankings, segundo o MarkTechPost. Seis semanas depois, a Mistral reivindica o topo com um modelo menor e licença comercial. O lançamento vem cinco dias depois do Mistral Large 4, modelo aberto de 1 trilhão de parâmetros coberto pela Marcio.AI. A empresa francesa passa a cobrir também a previsão numérica, área que costuma ficar fora da conversa sobre modelos de linguagem.
O que isso muda para empresas brasileiras?
Previsão de demanda, estoque, consumo de energia e fluxo de caixa são rotina em varejo, indústria, energia e bancos. Um modelo que roda em CPU comum, ocupa de 21 MB a 837 MB e pode ficar dentro do data center da empresa reduz duas barreiras: custo de GPU e saída de dados sensíveis. Para quem trabalha sob a LGPD ou regras setoriais, rodar a previsão em casa simplifica a análise de risco.
A forma de testar é simples e barata. O explainx.ai sugere rodar o modelo de 28 milhões ou o de 123 milhões ao lado do modelo atual, com backtest em janelas móveis e duas métricas, uma de erro pontual e uma probabilística. Variáveis de apoio entram depois de uma rodada sem elas. Feriados nacionais, datas de pagamento e calendário de promoções são exemplos de variáveis já conhecidas no futuro, que o Timestral aceita como entrada.
O que observar nas próximas semanas
A tese da Marcio.AI: com margens de precisão de 1% a 2% entre os primeiros colocados, a escolha de modelo de previsão nas empresas vai ser decidida por licença e custo de rodar. Nesse critério, o Timestral sai na frente do TimesFM-3. Sinais para conferir até o fim do ano. A publicação do relatório técnico prometido pela Mistral. A posição do Timestral nos rankings públicos do GIFT-Eval e do TIME depois da validação. Alguma reprodução independente dos números. E a resposta do Google, seja com nova versão, seja com mudança na licença do TimesFM.
Fontes
- Mistral AI, Timestral: Mistral’s time-series foundation models, 15/10/2026
- Hugging Face, Ficha do modelo mistralai/Timestral-209M, 15/10/2026
- GitHub, Repositório mistralai/timestral, 15/10/2026
- AI/TLDR, Timestral, Mistral’s first open models for time series, 15/10/2026
- explainx.ai, Timestral: Mistral 209M Forecasting Model, #1 on 3 Boards, 15/10/2026
- MarkTechPost, Google AI Releases TimesFM-3: A 330M Parameter Zero-Shot Foundation Model For Multivariate Time Series Forecasting, 31/08/2026
Rating Marcio.AI: 4/5 (Global, Muito relevante, Muito próximo do hype). Seção DeepTech do Watcher.
#MarcioAI #Mistral #SeriesTemporais #ModelosAbertos #Previsao #IAEmpresarial
Como este texto foi produzido
Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.
Leia também: Mistral lança o Large 4, modelo aberto de 1 trilhão de parâmetros treinado na Europa.