Новость · Автоматизация бизнеса · 2026-10-16

Mistral выпустила Timestral: прогнозы спроса без обязательной видеокарты

Автор: Ivan Noda

15 октября 2026 года Mistral представила Timestral — семейство моделей для прогнозирования числовых рядов. Это не очередной собеседник, которому предлагают «посмотреть на продажи», а отдельная модель для данных, меняющихся во времени. Код опубликован; для расчёта прогноза не обязательно иметь GPU.

Для магазина или сервиса здесь интересна возможность работать с историей продаж и обращений, не начиная с покупки мощной видеокарты и обучения своей модели с нуля. Но Timestral не превращает неподготовленную выгрузку в готовый план закупок: данные, проверка качества и подключение к учёту остаются отдельной работой.

Что именно выпустили

У Timestral четыре размера: от 5 до 209 миллионов параметров. Модель может прогнозировать связанные показатели совместно и учитывать дополнительные признаки: как известные только за прошлое, так и известные заранее на период прогноза.

Например, день недели или запланированная акция известны до начала следующей недели. Фактические продажи за эту неделю ещё неизвестны. Это важное различие: если подать модели будущий результат как подсказку, проверка будет выглядеть успешной, но не покажет, как система справится в работе.

Выход Timestral — не только одна «самая вероятная» цифра. Модель выдаёт набор квантилей: значения, по которым можно оценивать разные уровни прогноза и его неопределённость. Для закупок это полезнее категоричного ответа «продадите ровно столько-то», если качество таких оценок подтверждается на ваших данных.

Mistral сообщает о высоких результатах на публичных тестах. Это результаты разработчика, а не доказательство точности для конкретного российского магазина. Мы модель на данных бизнеса не запускали.

Почему возможность работать на CPU имеет значение

В официальном репозитории предусмотрен запуск и на CPU, и на GPU. Под «без видеокарты» здесь понимается получение прогноза, а не обещание, что любое дообучение обойдётся без вычислительных ресурсов.

Для небольшого проекта появляется другой начальный вопрос. Не «какую видеокарту купить», а «есть ли у нас история, на которой можно честно проверить прогноз». Это снижает один технический барьер, но не отменяет требований к памяти, установке библиотек и времени расчёта. Скорость на чужом сервере не равна скорости на вашем ноутбуке.

Запуск пока описан как программный маршрут на Python. Готовой кнопки «спланировать закупку» в привычной таблице этот релиз сам по себе не добавляет. Если вы не работаете с кодом, не нужно покупать облачный сервис только потому, что вышла новая модель.

Какой вопрос стоит поставить на своих данных

Представим учебный пример: магазин хочет решить, сколько расходных материалов заказать на следующую неделю. Прежде чем подключать модель к закупкам, полезно выполнить ограниченную проверку на прошлом периоде:

• выбрать один товар или небольшую связанную группу, а не сразу весь каталог;
• отделить последние периоды истории и не показывать модели их реальные продажи;
• сравнить прогноз с тем, что действительно продали, и с простым ориентиром, например продажами в сопоставимые дни прошлой недели;
• отдельно посмотреть дни акций, закрытия магазина и отсутствия товара на складе.

Это пример постановки проверки, а не готовый расчёт Timestral. Особенно важен последний пункт: нулевые продажи из-за пустой полки не доказывают нулевой спрос. Без сведений об остатках можно построить аккуратный прогноз не того показателя.

Покупку товара не стоит автоматически привязывать к результату первой пробы. Сначала выясните, где модель ошибается и как ошибка влияет на излишек или дефицит.

Что доступно сейчас и что проверить перед использованием

На момент подготовки материала, 16 октября, публичный репозиторий Timestral содержит установку, примеры получения прогноза и ссылки на веса моделей. Код распространяется под Apache 2.0, веса — отдельно под Modified MIT. Это разные лицензии; перед включением модели в коммерческий продукт проверьте условия именно используемых весов, а не только лицензию репозитория.

Дополнительную адаптацию под собственные данные Mistral предлагает через Forge. Она не требуется, чтобы понять смысл релиза, и не означает автоматически доступный всем бесплатный сервис.

Практическое следствие новости: прогнозирование на небольшой модели стало ещё одним вариантом для проверки, а не только задачей для большого GPU-сервера. Для бизнеса следующий разумный шаг — подготовить сопоставимую историю и критерий ошибки, а не сразу поручить модели закупки.