Mistral تطلق Timestral للسلاسل الزمنية بأربعة أحجام وتتصدر ثلاثة اختبارات تنبؤ

يكفي أصغر نماذج Timestral 10 ملي ثوانٍ على معالج خوادم عادي بثمانية خيوط، ومن دون أي GPU، ليتنبأ بيوم كامل انطلاقاً من ثلاثة أسابيع من قراءات مسجلة كل 15 دقيقة. ويحتاج أكبرها إلى 140 ملي ثانية للمهمة نفسها (وفقاً لـ Mistral). هذه العائلة أعلنتها Mistral يوم 15 أكتوبر 2026، وهي أول نماذجها التأسيسية للسلاسل الزمنية. وتقول الشركة إن نموذجها الأكبر، بحجم 209 ملايين معامل، يحتل المرتبة الأولى في الاختبارات العامة الثلاثة الرئيسية في المجال، GIFT-Eval وTIME وfev-bench، متفوقاً على المتصدر السابق بثلثي عدد معاملاته (وفقاً لـ Mistral). هذه أرقام معلنة من الشركة نفسها، والقصة كلها تستند حتى الآن إلى مصدر وحيد هو إعلان Mistral، ولم يتسنَّ التحقق منها بشكل مستقل.

أهمية الإعلان تتجاوز ترتيب اللوحات. السلاسل الزمنية من أكثر أنواع البيانات شيوعاً في الشركات، من قياسات الحساسات إلى مقاييس مراقبة الأنظمة. وعليها تُبنى قرارات تخطيط السعة والطاقة وسلاسل الإمداد والمخاطر والصيانة، بحسب إعلان Mistral. تتنبأ المصانع بقراءات حساسات العمليات وفق جدول الإنتاج، وترصد انحراف المعدات قبل أن تتعطل، وتخطط للسعة وقطع الغيار عبر آلاف الأصول. وتتنبأ الفرق المالية بالتدفقات والأحجام والتقلبات لتوجيه المراكز والتحوط وإدارة الخزينة عبر آلاف الحسابات. الأدوات المعتادة هنا ما زالت كلاسيكية، مثل ARIMA والانحدار الخطي، وهي تُضبط عادة على سلسلة واحدة وتتعلم من تاريخها وحده. ثم جاءت نماذج التعلم العميق مثل PatchTST فأضافت القدرة على تعلم أنماط غير خطية عبر سلاسل مترابطة كثيرة، لكنها تُدرَّب في الغالب من الصفر على كل مجموعة بيانات، فلا ينتقل ما تتعلمه إلى مجالات جديدة. النماذج التأسيسية للسلاسل الزمنية تنقل منطق التدريب المسبق إلى هذا العالم: تتدرب على مجموعة ضخمة ومتنوعة، فتتعلم أنماطاً قابلة للنقل وتتنبأ دون تدريب إضافي (zero-shot) على بيانات لم ترها، حتى في مجالات شحيحة البيانات، بحسب الشركة. نحن أمام النقلة نفسها التي عاشتها اللغة قبل سنوات، لكن في جداول الأرقام التي تدير المصانع والبنوك، وهذا ما يجعل الخبر أهم مما يوحي به حجمه.

أما أرقام الاختبارات فتستحق قراءة متأنية. بحسب Mistral، يأتي Timestral أولاً في المقاييس الخمسة كلها بين النماذج المدربة مسبقاً العاملة دون تدريب إضافي: GMean MASE وGMean WQL على GIFT-Eval، وGMean MASE وGMean CRPS على TIME، وSQL skill score على fev-bench. والمقارنة جرت مع أفضل عشرة من بين 83 مشاركة مماثلة في GIFT-Eval، وأفضل عشرة من 35 مشاركة في لوحة TIME، وأفضل عشرة من 37 مشاركة في fev-bench (وفقاً لـ Mistral). في المقاييس الأربعة الأولى القيمة الأقل أفضل، وفي fev-bench القيمة الأعلى أفضل. وتشدد الشركة على أن النتائج خرجت من نقطة حفظ واحدة دون دمج عدة نماذج (ensembling). وتقول إنها أرسلت النتائج إلى لوحتي GIFT-Eval وTIME، أي أن التثبيت الرسمي لم يُعلن بعد. أما التقرير التقني الكامل فقالت إنه سيصدر لاحقاً، ولم يُحدد موعده بعد.

تتكون العائلة من أربعة أحجام هي 5M و28M و123M و209M معامل، وتشترك جميعها في البنية ووصفة التدريب نفسيهما (وفقاً لـ Mistral). وتقول الشركة إن كل حجم يقع على حد باريتو بين الدقة والحجم، أي أنه لا يوجد نموذج عام يتنبأ أفضل منه في فئته. وبحسب أرقامها المعلنة، يتفوق نموذج 28M على Chronos-2، الأكبر منه بنحو أربع مرات، في GIFT-Eval وTIME، ويتفوق نموذج 209M على TimesFM-3 وFalcon-2.0 بعدد معاملات أقل. وفي المفاضلة بين السرعة والدقة، نموذج 28M أسرع بـخمس مرات من 209M، ونموذج 123M يقترب من نتيجة 209M بفارق 0.2% فقط بثلاثة أرباع زمن استجابته (وفقاً لـ Mistral). ونرى أن 123M هو الخيار العملي لمعظم الفرق، فالفارق في الدقة يكاد لا يُذكر مقابل توفير ملموس في الزمن.

تشرح Mistral قيمة النموذج عبر مثال مصنع فيه آلاف الحساسات، ومنه يمكن استخلاص خمس قدرات تميز Timestral عن أدوات التنبؤ التقليدية:

1. التنبؤ متعدد المتغيرات: اهتزاز المضخة وحرارتها وضغطها لا تتحرك منفصلة، وارتفاع أحدها كثيراً ما يفسر تغير الآخر أو يسببه. لذلك يتنبأ Timestral بالسلاسل المترابطة معاً ويستفيد من هذه العلاقات بدل عزل كل حساس، بحسب Mistral.
2. التنبؤ الاحتمالي: بدل رقم واحد، يخرج النموذج 21 قيمة احتمالية (quantiles) (وفقاً لـ Mistral)، فيرى الفريق اتساع هامش عدم اليقين، ويضبط عتبات التنبيه على أساسه، ويخطط للصيانة بحسب المخاطر.
3. المتغيرات المصاحبة الفئوية: يوم الأسبوع أو حالة الآلة (تعمل، متوقفة، تحت الصيانة) قيم من فئات لا أرقام متصلة. ترميزها رقمياً يفرض عليها ترتيباً أو مقياساً لا تملكه، لذلك يستقبلها النموذج كمدخلات فئوية مباشرة.
4. المتغيرات المعروفة مستقبلاً: جداول الإنتاج والتوقفات المخططة وتوقعات الطقس معلومة مسبقاً. حين يبني النموذج تنبؤه عليها، تصبح زيادة الحمل المجدولة أمراً متوقعاً لا مفاجأة تطلق إنذاراً.
5. الاندماج في نظام وكيلي: Timestral نموذج رقمي يعمل داخل خطوط المراقبة القائمة، أو مع نماذج Mistral اللغوية في سير عمل وكيلي متعدد الوسائط. في السيناريو الذي تعرضه الشركة، يعمل النموذج باستمرار على تدفقات الحساسات ويرصد الشذوذ لحظة حدوثه. وحين يرصد شذوذاً في مضخة، يحول وكيل الإشارات إلى تمثيلات (embeddings) ويقارنها ببيانات سابقة بحثاً عن أعطال تاريخية مشابهة. ثم يطلق وكلاء فرعيين لتحليل السبب الجذري، مستعيناً بسجلات الصيانة وسجلات الورديات وملاحظات المشغلين وكتيبات المعدات وأوامر العمل السابقة وقراءات المعدات المرتبطة. وأخيراً يصوغ تشخيصاً مقترحاً بأدلته والخطوات الممكنة، فيتلقى مدير المصنع خطة مدعومة بالبيانات لا مجرد تنبيه. هذا عرض توضيحي، ولم تذكر Mistral عميلاً يطبقه فعلاً.

تنسب الشركة هذه النتائج إلى أربع أفكار تقنية تعد بشرحها في التقرير المنتظر. الأولى هي التنبؤ بأفق منفصل (Decoupled Horizon Forecasting). في نماذج مثل Toto 2.0 وTimesFM-3، تُحجب القيم المراد التنبؤ بها أثناء التدريب، فتبدو كقيم مفقودة وتضيع كسياق للتنبؤات اللاحقة. أما في DHF فيبقى التاريخ كاملاً في التسلسل، وتقرأ رموز تنبؤ متعلَّمة ما يسبقها. هكذا تؤدي كل قيمة مرصودة دور الهدف والسياق معاً، وتبقى الفجوات الحقيقية معلَّمة كمفقودة، ويمكن ضبط طول أفق التدريب وتعزيز البيانات المفقودة كلاً على حدة. والثانية هي الانتباه الواعي بالمتغيرات المصاحبة: لكل سلسلة دور محدد، إما هدف أو متغير مصاحب سابق فقط أو متغير معروف مستقبلاً. المتغيرات المعروفة مستقبلاً مرئية عبر النافذة كلها، والأهداف تبقى سببية، والمعلومات تتدفق من المتغيرات المصاحبة إلى الأهداف فقط. بهذا يستخدم النموذج تقويم العطل أو توقعات الطقس دون أن يتسرب مستقبل الهدف نفسه إلى تنبؤه.

الفكرة الثالثة أن البيانات الاصطناعية جاءت أولاً، فأغلب بيانات التدريب مولَّدة بحسب Mistral. ولَّدت الشركة عمليات أحادية المتغير بديناميكيات زمنية متماسكة تشمل الاتجاهات والموسمية وأنماط ضوضاء متنوعة، ثم بنت منها سلاسل متعددة المتغيرات عبر مركِّب يضيف علاقات غير خطية بينها. والرابعة هي التدريب على مرحلتين: تدريب مسبق واسع على بيانات اصطناعية خالصة بطول سياق 8192، ثم تدريب لاحق على مزيج من البيانات الحقيقية والاصطناعية بسياق أطول بأربع مرات، ليصل السياق المعلن إلى 32,768 خطوة زمنية (وفقاً لـ Mistral). ودالة الهدف pinball loss على 21 قيمة احتمالية، وهي تقريب منفصل لمقياس CRPS.

اللافت أن Mistral نفسها تقر بحدود لوحات الاختبار. الاختبارات العامة تقيس الأداء العام، أما بيانات الإنتاج فقد تختلف كثيراً في سلوكها وبنيتها، وتتغير مع تبدل أنظمة الأسواق وتآكل المعدات وتحرك أنماط الطلب. والقيمة الدائمة، كما تقول، في تكييف النموذج على بيانات المجال وإعادة تدريبه كلما تحرك التوزيع. لذلك تتيح Timestral عبر Mistral Forge، خط التدريب نفسه الذي تستخدمه لنماذجها اللغوية. وبحسب الإعلان، يدعم Forge الاستدلال المباشر دون تدريب، وتوسيعات معمارية مثل متغيرات مصاحبة خاصة بالمجال، والضبط الدقيق (fine-tuning) على بيانات خاصة مع الحفاظ على الأداء العام. ويمنح كذلك تحكماً كاملاً في بيانات التدريب، من تعديل المزيج وإعادة تشغيل بيانات التدريب المسبق إلى توليد عينات اصطناعية تحاكي المجال المستهدف. وتقول الشركة إن هذا التحكم يضمن ألا يكون أي شيء يُختبر رجعياً قد ظهر في التدريب المسبق. ويمكن نشر الخط كاملاً على أجهزة العملاء، بما في ذلك البيئات المعزولة عن الشبكة.

إن أردت التجربة بنفسك، فالشركة نشرت مستودعاً على GitHub لتشغيل النموذج على بياناتك، والأوزان ضمن مجموعة Timestral على Hugging Face، والمواصفات في صفحة التوثيق. الترخيص MIT معدل، وخيارات النشر محلية أو داخل VPC أو في بيئة معزولة، وتدعو Mistral أصحاب مشكلات التنبؤ الأكثر تخصصاً والباحثين إلى التواصل معها للتعاون. في المقابل، لم يذكر الإعلان أي تسعير لاستخدام Forge، ولم يوضح بنود التعديل على ترخيص MIT، وهما تفصيلتان ستحسمان جدوى النموذج تجارياً أكثر من أي لوحة ترتيب. هل يصمد Timestral أمام بيانات مصنعك حين تتبدل كل شهر؟ هذا اختبار لن تجيب عنه إلا بياناتك أنت.

مقالات ذات صلة

مواقع كبرى Delta وYelp وJPMorgan تحجب وكلاء الذكاء الاصطناعي من Meta وOpenAI

اليوم

Google تتيح Gemini 4 Argon للمطورين عبر Gemini API المدفوعة وAntigravity

اليوم

Meta تطلق Muse Wonder أول نموذج حدودي لها وتراهن على الذاكرة النشطة

اليوم