一家店要预测下月销量，工厂要估算设备读数，电网要判断未来负载。过去，团队常要为每类数据单独训练预测器。Mistral 的 Timestral 想换一种做法：先训练一套时间序列基础模型——从多来源数据中学习通用变化规律，再直接处理新序列。所谓零样本预测，就是不针对眼前这项业务重新训练，仅凭已有历史记录推测未来。
据 Mistral 在相关介绍中披露，Timestral 家族包含 5M、28M、123M 和 209M 参数版本，公开仓库提供 209M 检查点。它既能处理单个指标，也能同时分析多个指标；还能纳入节假日、已知未来价格等协变量。最具体的一点是，模型最多可读取 32,768 个历史时间点，并在一次计算中预测未来 1,024 步。输出也不是一个看似精确的数字，而是 21 个分位数，用来呈现不同可能范围。
这条路线值得关注，因为它可能减少逐项建模的成本。但零样本不等于处处可靠；现有材料未给出具体基准成绩，也不足以判断它在不同业务数据上的稳定性。