Zeitreihen & Prognosen

Timestral 28M

Timestral 28M verarbeitet numerische Zeitreihen. Du gibst historische Werte und gegebenenfalls bekannte Einflussgrößen hinein und erhältst Prognosen mit Unsicherheitsbereichen. Das ist ein anderes Werkzeug als ein Chatmodell.

Wie kannst du es nutzen?

Wenn du lokal arbeiten möchtest, prüfe zuerst Lizenz, passende Laufzeit und den Speicherbedarf deiner Modellvariante. Offene Gewichte allein sagen noch nicht, ob dein Rechner dafür ausreicht.

Aktuell · offene GewichteQuellenstand 2026-10-19

Mistral AI im Verzeichnis

Tokenwerk / Zeitreihen & Prognosen · Quellenstand 2026-10-19

EingabeNumerische Zeitreihen, Bekannte Einflussgrößen

AusgabePrognosen mit 21 Quantilen

Kontext32.768 Zeitschritte

Technische Daten

Identität, Funktionen und Betrieb getrennt lesen. Die Angaben beziehen sich auf diese konkrete Version.

„Nicht bestätigt“ kennzeichnet eine offene Angabe. Es bedeutet weder „nicht vorhanden“ noch „unbegrenzt“.

Version & Identität
Hersteller	Mistral AI
Modellfamilie	Timestral
Modell-/API-ID	`mistralai/Timestral-28M`
Status	Aktuell · offene Gewichte

Ein- & Ausgabe
Modellart	Zeitreihen & Prognosen
Eingabe	Numerische Zeitreihen, Bekannte Einflussgrößen
Ausgabe	Prognosen mit 21 Quantilen

Dokumentierte Limits
Kontext	32.768 Zeitschritte
Maximaler Output / Horizont	1.024 Zeitschritte pro Durchlauf; 21 Quantile

Zugang & Betrieb
Bereitstellung	Gewichte herunterladen und selbst betreiben
Gewichte	Offene Gewichte dokumentiert
Lizenz	Modified MIT für Gewichte; Code separat Apache 2.0

Grenzen der Zeitreihe

Die Grafik zeigt die ausgewiesenen Eingabe- und Ausgabearten. Sie beschreibt einen Arbeitsweg und enthält keine erfundenen Messwerte oder Leistungswerte.

Eingabe: Numerische Zeitreihen, Bekannte Einflussgrößen
Ausgabe: Prognosen mit 21 Quantilen

Datenbasis: Herstellerangaben im Quellenstand 2026-10-19. Quellen zu diesem Profil ↓

Tokenwerk-Datenbild · Schematische Ein- und Ausgabe · kein eigener Benchmark.

Einsatz und Grenzen

Dieser Checkpoint hat 28 Millionen Parameter. Mistral veröffentlicht dieselbe Modellfamilie in vier Größen. Eine größere Variante ist kein pauschal besserer Ausgangspunkt: Wähle nach deinen Daten, der erreichbaren Qualität und dem tatsächlichen Rechenaufwand.

Der dokumentierte Kontext umfasst bis zu 32.768 Zeitschritte. Der Horizont pro Durchlauf beträgt bis zu 1.024 Zeitschritte, ausgegeben werden 21 Quantile. Ein Zeitschritt ist beispielsweise ein Messzeitpunkt; er ist kein Sprachmodell-Token und keine garantierte Kalenderdauer.

Timestral unterstützt vergangene sowie bekannte künftige Einflussgrößen. Ein Kalenderwert kann vorab bekannt sein, die künftig gemessene Zielgröße dagegen nicht. Trenne beides, damit Informationen aus der Zukunft nicht unbemerkt in den Rücktest geraten. Der Benchmark-Guide erklärt, warum Ergebniswerte erst zusammen mit Aufgabe, Testbedingungen und Auswertung sinnvoll einzuordnen sind.

Die veröffentlichte Python-Implementierung läuft auf CPU oder GPU. Gewichte und Code haben getrennte Lizenzangaben. Halte eine letzte Datenstrecke als Test zurück und vergleiche die Prognose zunächst mit einer einfachen, vorab festgelegten Basislinie.

Vor deiner Auswahl

Zeitabstand und fehlende Werte dokumentieren.
Trainings-/Kontextwerte zeitlich vor der Teststrecke halten.
Gewichte: Modified MIT; Code: Apache 2.0 separat prüfen.

Was kostet Timestral 28M?

Bereitstellung / kein bestätigter API-EinheitspreisCPU-/GPU-Selbstbetrieb; kein bestätigter Tokenpreis

Das Modell rechnet numerische Zeitreihen. Texttokenpreise und der Textkostenrechner sind dafür nicht anwendbar.

Vergleiche ein konkretes Deployment mit seinem tatsächlichen Verbrauch. Angaben zu Gewichten, Speicher und Kontext sind keine gemessene Latenz oder zugesicherte Anwendungsqualität.

Zugang: Gewichte herunterladen und selbst betreiben. Eine öffentlich dokumentierte Modell-ID bestätigt keine Freischaltung deines Kontos.

Praxis: Prognosen ohne Daten aus der Zukunft testen

Praxisergänzung geprüft am 22. Oktober 2026 · eigene Aufgabe, kein Modellbenchmark

Eine Prognose sieht gut aus, wenn sie die späteren Istwerte bereits kennt. Genau das musst du beim Test verhindern. Unsere eigene Zahlenreihe trennt vier historische Tage und zwei zurückgehaltene Prüftage. Du rechnest den mittleren absoluten Fehler einer erfundenen Vorhersage aus. Die Werte sind kein Timestral-Ergebnis und keine Geschäftsprognose.

Vorbereitung

Mistral beschreibt Timestral 28M als numerisches Zeitreihenmodell mit probabilistischen Ausgaben und bekannten künftigen Einflussgrößen. Es ist kein Text-Chat-Modell. Historische Messwerte, vorab bekannte Kalendermerkmale und erst später beobachtete Zielwerte erfüllen verschiedene Rollen. Ein zukünftiger Kalendereintrag kann vorab bekannt sein; der zukünftige gemessene Zielwert gehört dagegen nicht in den Eingabekontext des Tests.

Erfundene Zahlenreihe · keine gemessene Timestral-Prognose.

Halte die konkrete Modellversion und den Betriebsweg fest. Die Vorlage verwendet ausschließlich fiktive Daten.
Bearbeite die Aufgabe. Speichere den geforderten Prüfteil als antwort.json. Bei einer Offline-Abnahme erstellst du diese Datei selbst; sie ist dann keine Modellausgabe.
Vergleiche mit dem Soll und ändere anschließend einen Eingabefall. Prüfe die Begründung am Ausgangsmaterial, bevor du das Ergebnis übernimmst.

Aufgabe zum Kopieren

Die Angaben sind fiktiv. Speichere den geforderten JSON-Teil der Antwort separat als antwort.json; zusätzliche Erklärungen gehören in eine andere Datei.

Offline-Prüfung einer erfundenen Zahlenreihe. Historie Tage 1–4: [10,12,11,13]. Zurückgehaltene Istwerte Tage 5–6: [14,15]. Fiktive Prognose: [14,14]. Ein Kalendermerkmal für Tage 5–6 war vorab bekannt. Die Istwerte 14 und 15 wurden NICHT als Modelleingabe verwendet. JSON: historische_tage, prueftage, absolute_fehler (in Reihenfolge), mae, zukunfts_istwerte_im_input (bool), bekannter_kalender_erlaubt (bool). MAE = mittlerer absoluter Fehler.

Vorlage herunterladen Lokalen JSON-Prüfer herunterladen

Lösung und Prüfkriterien ansehen

Die absoluten Fehler betragen 0 und 1; ihr Mittelwert ist 0,5.
Die Istwerte der Prüftage bleiben bis zur Auswertung zurückgehalten.
Ein einzelnes fiktives Beispiel misst weder Prognosegüte noch die Verlässlichkeit von Quantilen.

{
  "historische_tage": 4,
  "prueftage": 2,
  "absolute_fehler": [
    0,
    1
  ],
  "mae": 0.5,
  "zukunfts_istwerte_im_input": false,
  "bekannter_kalender_erlaubt": true
}

Das Soll ist redaktionell aus der Vorlage abgeleitet, keine aufgezeichnete Modellantwort. Der lokale Prüfer vergleicht die festgelegten Felder und führt keinen generierten Code oder API-Aufruf aus. Er bewertet keine freien Begründungen.

Speichere Prüfer und deine Antwort im selben Ordner. Mit installiertem Python: python pruefen.py antwort.json.

Typische Fehler bei dieser Aufgabe
Beobachtung	Was du prüfst
Der MAE beträgt 1	Teile die Summe durch die zwei Prüftage.
Zukünftige Istwerte werden mitgegeben	Das würde in diesem Test die Trennung zwischen Vorhersage und Auswertung verletzen.
Ein Kalendereintrag gilt immer als Leck	Entscheidend ist, ob das Merkmal zum Prognosezeitpunkt bereits bekannt war.

Passende Anleitungen

Wie du aus einem Versuch eine nachvollziehbare Entscheidung machst, zeigt Kosten und Nutzen mit eigenen Prüfkriterien bewerten.

Die Grundlagen zum dokumentierten Vergleich lernst du unter Modelltests nach Methode und Grenzen beurteilen.

Gezielte Praxisergänzung auf Basis aktueller Herstellerunterlagen. Der Datenstand der bisherigen Modell-Faktentabellen bleibt separat ausgewiesen. Neue Beispiele und Grafiken sind eigene Erklärungen; es wurden keine Modellantworten oder Leistungswerte gemessen.

Herstellerunterlagen zur Ergänzung: Model Details (Abruf 2026-10-22) · Timestral: Mistral's time-series foundation models | Mistral (Abruf 2026-10-22).

LernpfadLokale KI betreiben PraxisprojektLokalen Assistenten vorbereiten VertiefenModelle fair bewerten

Quellen und Prüfstand

Die verlinkten Herstellerunterlagen wurden für dieses Profil ausgewertet. Ältere Versionen und Einführungstexte dienen der Einordnung; aktuelle technische Angaben haben Vorrang. Abrufdaten stehen an den Quellen. Die Grafik ist redaktionell, kein Leistungstest.

Model DetailsAbruf 2026-10-19
Timestral: Mistral's time-series foundation models | MistralAbruf 2026-10-19
TimestralAbruf 2026-10-19
Model DetailsAbruf 2026-10-19

Häufige Fragen

Was ist Timestral 28M?

Timestral mit 28 Millionen Parametern für ein- und mehrdimensionale Zeitreihen. Unterstützt bekannte künftige Einflussgrößen und probabilistische Ausgaben.

Welche Eingaben und Ausgaben unterstützt es?

Eingabe: Numerische Zeitreihen, Bekannte Einflussgrößen. Ausgabe: Prognosen mit 21 Quantilen. Entscheidend bleibt die Unterstützung im konkreten Endpunkt bzw. in der verwendeten Runtime.

Wie wird Timestral 28M bereitgestellt?

Gewichte herunterladen und selbst betreiben. Das Modell rechnet numerische Zeitreihen. Texttokenpreise und der Textkostenrechner sind dafür nicht anwendbar.

Ist das hier ein eigener Leistungstest?

Nein. Das Profil ordnet die genannten Herstellerquellen vom 19. Oktober 2026 ein. Die Übung und Grafik sind redaktionell erstellt; es wurde keine Modellinferenz ausgeführt.

Welche Zeitreihen-Grenzen sind für Timestral 28M dokumentiert?

Eingabeumfang: 32.768 Zeitschritte. Vorhersagehorizont: 1.024 Zeitschritte pro Durchlauf; 21 Quantile. Die Einheiten im Datenblatt sind maßgeblich; Zeitschritte werden hier nicht als Texttokens oder Wortzahlen umgerechnet.

Wie prüfst du Timestral 28M für deine Aufgabe?

Lege eine kleine Aufgabe mit bekanntem oder nachprüfbarem Ergebnis fest. Notiere Version, Eingabe und Einstellungen. Vergleiche die Ausgabe mit deinem Prüfkriterium und halte Fehler sowie tatsächliche Kosten getrennt fest. Die Testidee auf dieser Seite ist ein Vorschlag und wurde hier nicht als Modelltest ausgeführt.

Kann ich Timestral 28M mit einem normalen Textprompt testen?

Timestral verarbeitet numerische Zeitreihen. Das gezeigte JSON ist ein Offline-Prüfblatt für den Versuchsaufbau und kein Chat- oder Modellaufruf.

Warum darf der zukünftige Kalender bekannt sein, der Istwert aber nicht?

Ein feststehender Kalendereintrag kann zum Prognosezeitpunkt verfügbar sein. Der später gemessene Zielwert ist es im beschriebenen Test ausdrücklich nicht.

Ist der MAE von 0,5 eine gemessene Timestral-Leistung?

Nein. Vorhersage und Istwerte sind für diese Übung erfunden. Der Fehler wird daraus von Hand berechnet und ist keine Aussage über ein reales Modell.

Weitere Mistral AI-Modelle

Alle anzeigen →