Timestral : Mistral AI lance des modèles ouverts de prévision qui tournent sans carte graphique

Prévoir la consommation d’électricité d’un bâtiment, les ventes d’un magasin la semaine prochaine ou la panne d’une pompe avant qu’elle ne survienne : toutes ces tâches reposent sur des séries temporelles, c’est-à-dire des mesures enregistrées à intervalles réguliers. Le 15 octobre 2026, Mistral AI a présenté Timestral, sa première famille de modèles d’IA consacrés à ce type de données. La start-up française, connue pour ses modèles de langage et son assistant Le Chat, s’attaque ainsi à un usage moins spectaculaire mais omniprésent dans l’industrie, l’énergie et la finance. Et elle le fait avec des modèles assez légers pour tourner sur un simple processeur, sans carte graphique.

Qu’est-ce qu’un modèle de fondation pour séries temporelles ?

Pendant longtemps, chaque prévision demandait un modèle construit sur mesure : un statisticien ou un data scientist l’entraînait sur l’historique de l’entreprise, pour un usage précis. Les modèles de fondation pour séries temporelles changent l’approche. Entraînés une fois pour toutes sur une immense variété de données, ils savent produire des prévisions sur des séries qu’ils n’ont jamais vues, sans nouvel entraînement : on parle de prévision « zéro coup » (zero-shot). Google, avec TimesFM, et Amazon, avec Chronos, ont ouvert la voie ; Mistral AI rejoint cette compétition.

Timestral produit des prévisions probabilistes : au lieu d’un seul chiffre, il fournit 21 niveaux de probabilité, ce qui permet de savoir non seulement ce qui est le plus probable, mais aussi dans quelle fourchette le résultat a de bonnes chances de se situer. Pour un gestionnaire de stocks ou un exploitant de réseau électrique, cette marge d’incertitude compte autant que la prévision elle-même.

Quatre tailles, toutes très légères

La famille compte quatre modèles, de 5 à 209 millions de paramètres. À titre de comparaison, les grands modèles de langage actuels en comptent plusieurs centaines de milliards : Timestral est mille fois plus petit. Tous acceptent un historique allant jusqu’à 32 768 pas de temps, soit près d’un an de mesures au pas de quinze minutes, et gèrent plusieurs séries à la fois ainsi que des variables complémentaires, connues seulement dans le passé (une température mesurée) ou déjà connues pour l’avenir (un jour férié, une promotion prévue).

Les temps indiqués correspondent, selon Mistral AI, à la prévision d’une journée à partir de trois semaines d’historique au pas de quinze minutes, sur un processeur de serveur à huit cœurs.

Des scores en tête de classement

Mistral AI affirme que son modèle de 209 millions de paramètres se classe premier parmi les modèles préentraînés utilisés sans adaptation sur trois tests de référence du domaine, GIFT-Eval, TIME et fev-bench, et sur l’ensemble de leurs indicateurs. Il devancerait TimesFM-3 de Google et Falcon-2.0 avec environ deux tiers de leurs paramètres. Les résultats proviennent d’un modèle unique, sans combinaison de plusieurs modèles, et ont été soumis aux classements publics GIFT-Eval et TIME, ce qui permet une vérification extérieure.

Pourquoi l’absence de carte graphique change tout

C’est l’argument le plus concret de Timestral. Les grands modèles d’IA exigent des cartes graphiques coûteuses et souvent rares ; Timestral, lui, tourne sur un processeur de serveur standard. Pour une PME, une collectivité ou un site industriel, cela signifie pouvoir installer l’outil sur une machine existante, sur site, dans un nuage privé ou même dans un environnement totalement isolé d’internet, une option que Mistral AI met en avant pour les secteurs où les données ne doivent pas sortir de l’entreprise.

Côté licences, le code est publié sous licence Apache 2.0 et les poids des modèles sous une version modifiée de la licence MIT, deux licences qui autorisent une large réutilisation, y compris commerciale. Le code est disponible sur GitHub et les poids sur Hugging Face, avec une documentation pour lancer Timestral sur ses propres données.

Des usages très concrets

Mistral AI cible trois grandes familles d’usages :

• l’industrie et l’énergie : télémesure de capteurs, maintenance prédictive, planification des capacités et des pièces de rechange ;
• la finance : prévision des flux, des volumes et de la volatilité pour la gestion de trésorerie et la couverture des risques ;
• la logistique et l’exploitation : chaînes d’approvisionnement, gestion des risques, suivi de la charge des systèmes informatiques.

L’entreprise décrit aussi un scénario qui combine Timestral avec ses modèles de langage. Timestral repère une anomalie sur les capteurs d’une pompe ; des agents d’IA comparent ensuite cette anomalie aux pannes passées, consultent les rapports de maintenance et les manuels, puis proposent un diagnostic. Selon Mistral AI, le responsable d’usine reçoit alors « un diagnostic et un plan appuyés sur les données des capteurs, plutôt qu’une simple alerte ».

Comment l’essayer

Pour une équipe technique, la prise en main est simple. Le dépôt GitHub de Timestral s’installe comme une bibliothèque Python classique (version 3.10 ou plus récente, avec PyTorch), et les poids du modèle choisi se téléchargent automatiquement depuis Hugging Face au premier lancement. Quelques lignes de code suffisent ensuite pour charger un modèle, lui fournir un historique et obtenir une prévision sur l’horizon voulu, avec sa médiane et ses fourchettes de probabilité. Les valeurs manquantes, fréquentes dans les relevés de capteurs, sont acceptées telles quelles. Le modèle de 28 millions de paramètres est un bon point de départ, puisqu’il offre selon Mistral AI de très bons résultats pour un temps de calcul réduit. Il suffit de disposer d’un historique de mesures régulières, par exemple la consommation électrique horaire d’un bâtiment ou les ventes quotidiennes d’un produit, et de comparer les prévisions obtenues avec ce qui s’est réellement passé sur une période récente avant de s’y fier.

Les précautions à prendre

Une prévision reste une estimation. Avant de piloter des achats ou une production à partir de Timestral, il est prudent de le tester sur plusieurs mois passés, de comparer ses résultats avec la méthode utilisée jusque-là et de surveiller les périodes inhabituelles (crise, grève, épisode climatique), où tout modèle fondé sur l’historique perd en fiabilité.

Une diversification stratégique pour Mistral AI

Avec Timestral, Mistral AI élargit son offre au-delà des modèles de langage, sur un terrain où la demande des entreprises est forte et où la souveraineté des données pèse lourd. La start-up, qui a levé 3 milliards d’euros en septembre 2026, mise sur des modèles légers, ouverts et installables chez le client, à rebours de la course à la taille des géants américains. Reste à voir si les industriels européens, souvent équipés d’outils de prévision anciens, franchiront le pas. Les prochaines annonces de partenaires seront un bon indicateur ; elles sont à suivre sur notre page consacrée à Mistral AI.