# Timestral : j’ai testé l’IA de Mistral qui prédit vos chiffres sans GPU  **Date:** 18 octobre 2026 **Source:** [PIX GEEKS](https://pix-geeks.com) **Catégories:** [High-Tech](https://pix-geeks.com/tech/) > [Intelligence Artificielle](https://pix-geeks.com/tech/intelligence-artificielle/) **Marques:** [Mistral](https://pix-geeks.com/marque/mistral/) **Entités principales:** Organization: [Mistral](http://www.wikidata.org/entity/Q2981505) | Product: [Evo](http://www.wikidata.org/entity/Q4038411) | Corporation: [Mistral](http://www.wikidata.org/entity/Q2981505) **Entités secondaires:** Intangible: [Intelligence Artificielle](https://www.wikidata.org/wiki/Q11660) **Neuf jours après Mistral Large 4, Mistral a sorti un modèle beaucoup plus discret. Timestral ne génère pas de texte, il prévoit la suite d’une série de chiffres, et je l’ai fait tourner sur ma machine pour vérifier la vitesse et la précision annoncées.** Le 6 octobre, Mistral Large 4 et ses 1 000 milliards de paramètres ont occupé tout l’espace. Le 15 octobre, on a beaucoup moins parlé de [Timestral](https://mistral.ai/news/timestral/), la première famille de modèles de Mistral consacrée aux séries temporelles. Vous lui donnez trois semaines de consommation électrique, de température ou de charge serveur, il vous renvoie la suite avec une fourchette d’incertitude, et tout ça sans réentraînement sur vos données. ## Timestral : 4 modèles de 5 à 209 millions de paramètres, sans GPU Timestral existe en quatre versions : 5M, 28M, 123M et 209M paramètres. Le plus gros pèse **837 Mo**, le plus petit 21 Mo, et aucun n’a besoin de GPU pour tourner. Chaque prévision sort sous forme de 21 quantiles, ce qui donne une médiane et une bande d’incertitude plutôt qu’un chiffre sec. Le modèle accepte jusqu’à 32 768 pas d’historique et en prévoit 1 024 d’un coup. Ce type de modèle sert partout où des chiffres arrivent en continu sans équipe data pour les modéliser. Mistral cite les usines qui veulent repérer une machine qui dérive avant la panne, mais aussi la finance, l’énergie, la logistique ou la supervision de serveurs. Un modèle qui répond en 10 à 140 millisecondes sur un processeur classique (d’après Mistral) s’installe là où personne ne mettrait de carte graphique. ## Timestral, un détecteur d’anomalies pour les agents IA et les serveurs Le cas qui me parle le plus, c’est celui des agents. Demander à un LLM de lire 2 000 points pour deviner la suite, c’est lent et peu fiable. Avec Timestral comme outil, l’agent demande une prévision, regarde si la mesure réelle sort de la fourchette, et il tient un détecteur d’anomalie en une fraction de seconde. Mistral décrit d’ailleurs un scénario proche, avec une pompe industrielle. Timestral surveille les capteurs en continu et signale l’anomalie, puis un agent cherche des pannes passées similaires et lance des sous-agents pour en analyser la cause. Le responsable du site reçoit un diagnostic, pas une simple alerte. Chez moi, le premier usage s’est présenté pendant le test. Ma machine était saturée, avec le swap plein, une charge à 40 pour 32 threads et 13 processus déjà tués faute de mémoire. Prévoir la charge de l’heure qui vient et prévenir avant que ça déborde, Timestral peut le faire en local et gratuitement. ## Timestral testé sur Ryzen AI Max+ 395 : 218 ms contre 140 ms annoncées Mistral promet la première place des modèles pré-entraînés sur les benchmarks de référence, et **140 ms par prévision** pour le 209M. Ce chiffre vaut pour un CPU serveur de 8 threads et un cas bien précis, un jour de prévision à partir de trois semaines de mesures prises toutes les 15 minutes. J’ai voulu vérifier les deux promesses. Sur mon Evo, un Ryzen AI Max+ 395 utilisé en CPU seul, le 209M met **218 ms** dans ce même cas. L’écart reste raisonnable pour le gros modèle. Le 5M, en revanche, met 44 ms, soit quatre fois plus que les 10 ms annoncées par Mistral. La saturation de la machine en explique sans doute une partie, et mon Evo n’a rien d’un serveur de test. L’ordre de grandeur tient quand même : sur la même machine, Timestral va plus de deux fois plus vite que Chronos-Bolt d’Amazon à taille comparable. ### fev-bench : les scores de Timestral reproduits sur 14 tâches Pour la précision, j’ai relancé 14 des 100 tâches de fev-bench avec le code publié sur [GitHub](https://github.com/mistralai/timestral), et j’obtiens exactement les mêmes scores. Sur le classement complet publié par Mistral, Timestral-209M arrive bien premier des modèles utilisables « tels quels ». Son avance reste pourtant faible, **50,39 contre 49,42** pour t0-gamma et 48,99 pour TimesFM-3 de Google.  Source : [Mistral AI](https://mistral.ai/news/timestral/) | Modèle | fev-bench (SQL skill score, plus haut = mieux) | | --- | --- | | Timestral-209M | 50,39 | | Timestral-123M | 50,18 | | t0-gamma | 49,42 | | TimesFM-3 | 48,99 | | Timestral-28M | 48,42 | | Chronos-2 | 47,28 | | Timestral-5M | 46,19 | Source : [cartes des modèles Timestral sur Hugging Face](https://huggingface.co/mistralai/Timestral-209M) Ce qui m’intéresse le plus, c’est la version 28M. Elle est sept fois plus petite que le 209M et passe pourtant devant Chronos-2 d’Amazon, un modèle environ quatre fois plus gros selon Mistral. Pour la plupart des usages, je partirais sur celle-là. ## Licence de Timestral : gratuit sauf au-delà de 20 millions de dollars par mois Seul vrai bémol, la licence. Le code est sous Apache 2.0, mais les poids sont publiés sous une [licence « MIT modifiée »](https://huggingface.co/mistralai/Timestral-5M/blob/main/LICENSE) qui exclut les entreprises dont le chiffre d’affaires mensuel consolidé dépasse **20 millions de dollars**\.Celles-là doivent demander une licence commerciale à Mistral ou passer par ses services hébergés. Pour un homelab, une PME ou un agent maison, on est très loin du seuil. Reste à savoir ce que Timestral donnera sur des données réelles, autrement plus capricieuses que celles d’un benchmark…  --- **Article précédent:** [Muse Wonder : la dernière IA de Meta, bat GPT-6 Astra mais pas Claude Opus 5.5](https://pix-geeks.com/muse-wonder/)