Mistral AI가 시계열 데이터를 예측하는 첫 파운데이션 모델 제품군 Timestral(타임스트랄) 4종을 내놓았다. 모델은 5M, 28M, 123M, 209M 매개변수 네 가지이고 구조와 학습 방식은 같다. GPU 없이 CPU에서 추론할 수 있다.1,2
Mistral은 블로그에 이 모델을 2026-10-15에 소개했다. 라이선스는 Modified MIT이고 코드는 GitHub 저장소에 공개돼 있어 자체 데이터로 실행할 수 있다. 온프레미스, VPC, 에어갭 환경에 배포할 수 있다. 회사는 이용 요금을 밝히지 않았다.1
Mistral은 가장 큰 209M 모델이 GIFT-Eval, TIME, fev-bench 세 공개 벤치마크에서 모두 1위라고 밝혔다. 이와 별도로 Timestral은 사전 학습·제로샷 모델을 대상으로 한 비교에서 5개 지표 모두 1위이며, 앙상블 없이 단일 체크포인트로 낸 결과라고 한다. 209M 모델은 이전 최고 수준 모델보다 매개변수가 3분의 2 수준인데도 앞섰다고 회사는 설명했다.1,2
성능과 속도
순위의 모수는 GIFT-Eval에서 비교 가능한 사전 학습·제로샷 모델 83개, TIME 리더보드 35개, fev-bench 리더보드 37개다. fev-bench는 SQL skill score 기준이며 높을수록 좋고, GIFT-Eval과 TIME은 낮을수록 좋다. Mistral은 결과를 GIFT-Eval과 TIME 리더보드에 제출했으며, fev-bench 제출은 언급하지 않았다.1
정확도와 크기를 함께 본 파레토 프런티어에서 Mistral은 각 크기마다 더 잘 예측하는 같은 크기의 공개 모델이 없다고 설명했다. 28M 모델은 약 4배 큰 Chronos-2를 GIFT-Eval과 TIME 기준으로 앞섰고, 209M 모델은 더 적은 매개변수로 TimesFM-3와 Falcon-2.0을 넘어섰다고 한다. 국내 매체 AI타임스는 TimesFM-3를 Google 모델로 소개했다.1,2
표준 서버 CPU에서 8스레드로 15분 간격 3주 이력을 넣어 하루 앞을 예측할 때 지연 시간은 5M이 10ms, 209M이 140ms다. 28M은 209M보다 5배 빠르지만 정확도를 일부 내준다. 123M은 209M 점수의 0.2% 이내이면서 지연이 4분의 3 수준이다.1
| 항목 | 내용 |
|---|---|
| 모델 크기 | 5M, 28M, 123M, 209M 매개변수 |
| 컨텍스트 길이 | 32,768 time steps |
| 입력 | 다변량 타깃, 과거 전용 공변량, 미래 확정 공변량 |
| 출력 | 확률 예측(분위수 21개) |
| CPU 지연(5M / 209M) | 10ms / 140ms |
기능과 작동 방식
Timestral은 확률 예보 방식으로 여러 변수를 함께 예측한다. 출력하는 분위수 21개로 불확실성의 폭을 확인하고 경보 임계값을 정하거나 위험 기반 정비 계획에 쓸 수 있다. 펌프의 진동·온도·압력처럼 서로 연관된 시계열은 공동으로 모델링해 상호 의존을 반영한다.
공변량은 두 종류를 지원한다. 과거에만 존재하는 값과, 생산 일정·계획 정지·날씨 예보처럼 미래가 미리 정해진 값이다. 미래 확정 공변량 덕에 예정된 부하 증가를 이상 신호로 오인하지 않는다. 요일이나 기계 상태(가동·유휴·정비) 같은 범주형 공변량은 숫자로 바꾸지 않고 직접 넣는다. 숫자로 인코딩하면 원래 없던 순서와 크기가 생기기 때문이다.
Mistral이 꼽은 핵심 기술은 네 가지다. 첫째는 Decoupled Horizon Forecasting(DHF)이다. 전체 이력을 시퀀스에 그대로 두고 학습된 forecast 토큰이 앞선 이력을 읽어 예측한다. 관측값이 타깃과 문맥 역할을 동시에 하고 실제 결측은 결측으로 표시하며, 학습 예측 구간 길이와 결측 증강을 따로 조정한다. Mistral은 Toto 2.0과 TimesFM-3의 연속 패치 마스킹 인과 디코더는 예측할 값을 가려 결측처럼 보이게 하고, 그 값이 이후 예측의 문맥에서도 사라진다고 비교했다.
둘째는 공변량 인식 어텐션이다. 입력 시계열마다 타깃 변수, 과거 전용 공변량, 미래 확정 공변량 중 역할을 지정한다. 미래 확정 공변량은 전체 구간이 보이고 타깃은 인과적으로 유지되며, 정보는 공변량에서 타깃 쪽으로만 흐른다. 그래서 휴일 달력이나 날씨 예보를 타깃의 미래 누출 없이 쓴다.
셋째는 합성 데이터 중심 학습이다. 학습 데이터 대부분이 합성이며, 추세·계절성·다양한 노이즈를 가진 단변량 과정을 만든 뒤 다변량 합성기로 비선형 의존성을 넣어 다변량 시계열을 구성한다. 넷째는 2단계 학습이다. 순수 합성 데이터로 컨텍스트 8192까지 사전 학습하고, 실데이터와 합성 데이터를 섞어 4배 긴 컨텍스트로 후학습해 32,768 time steps에 이른다. 목적함수는 CRPS의 이산 근사인 21개 분위수 핀볼 손실이다. 기술 세부는 이후 공개할 기술 보고서에서 전체 결과와 함께 자세히 설명할 예정이라고 Mistral은 밝혔다.1
활용 대상과 Forge
시계열은 센서 텔레메트리와 관측 지표처럼 기업에 가장 흔한 데이터 유형 중 하나이며 용량 계획, 에너지, 공급망, 리스크, 정비 의사결정에 쓰인다. Mistral은 산업 현장의 설비 이상 조기 탐지와 설비·예비 부품 용량 계획, 금융팀의 자금 흐름·거래량·변동성 예측과 포지션·헤징 운용을 활용처로 들었다. AI타임스는 수요 예측과 설비 상태 예측용으로 소개했다.1,2
기존에는 ARIMA나 선형회귀가 보통 단일 시계열에 맞춰 그 이력만 학습했다. PatchTST 같은 딥러닝 모델은 연관 시계열의 비선형 패턴을 배우지만 보통 데이터셋마다 처음부터 학습하고 새 도메인으로 이전되지 않는다. 시계열 파운데이션 모델은 대규모 다양한 코퍼스로 사전 학습해 본 적 없는 데이터를 제로샷으로 예측하며 데이터가 부족한 도메인도 대상으로 한다.
Mistral은 공개 벤치마크가 일반 성능만 재고, 운영 데이터는 행동과 구조가 달라 시장 국면 변화, 설비 열화, 수요 패턴 이동에 따라 변한다고 주장했다. 그래서 도메인 적응과 재학습이 핵심 가치라는 것이다. 이를 위해 Mistral Forge는 제로샷 추론, 도메인 특화 공변량 같은 구조 확장, 자체 데이터 미세 조정을 제공한다. 미세 조정은 일반 성능을 유지하면서 도메인에 특화하는 방식이다. 혼합 비율 조정, 사전 학습 데이터 재생, 대상 도메인 합성 샘플 생성으로 학습 데이터를 통제할 수 있다.
Forge는 Mistral 언어 모델에 쓰는 것과 같은 학습 파이프라인이다. 데이터 전체를 통제하므로 백테스트 대상이 사전 학습에 포함되지 않았음을 보장할 수 있고, 전체 파이프라인을 에어갭을 포함한 고객 하드웨어에 배포할 수 있다고 한다.
Mistral이 제시한 시스템 예시는 다음 흐름이다. Timestral이 센서 스트림에서 이상을 찾으면 에이전트가 신호를 임베딩해 과거 고장 사례를 검색한다. 하위 에이전트가 정비 기록, 교대 일지, 운전자 메모, 설비 매뉴얼, 과거 작업 지시서, 관련 설비 데이터로 근본 원인을 분석해 진단 초안과 근거, 다음 단계를 쓴다. 공장 관리자는 경보 대신 센서 데이터에 기반한 진단과 계획을 받는다. 수치 모델 단독으로도, Mistral 언어 모델과 멀티모달 에이전트 워크플로로 묶어서도 쓸 수 있다.1
커뮤니티 계정 Hugging Models(@HuggingModels)는 2026-10-20 트윗에서 Timestral-5M을 수요 예측, 금융 추세, IoT 센서 데이터에 쓸 수 있고 자체 데이터로 미세 조정할 수 있다고 소개했다.2
한계
벤치마크 결과는 모두 Mistral이 직접 평가해 발표한 것이며, 기술 보고서가 나오기 전에는 세부를 검증하기 어렵다. 리더보드 제출은 GIFT-Eval과 TIME만 밝혔고 fev-bench는 제출 언급이 없다. 공변량과 합성 데이터가 성능에 얼마나 기여했는지 수치도 없다. 산업 사례와 에이전트 워크플로는 예시이며 실제 고객 적용 사례나 성과 수치는 제시되지 않았다.1,2