知识卡片：Timestral

一句话结论

Timestral 是包含 5M、28M、123M、209M 四种参数规模的时间序列基础模型系列，面向概率预测，并在 GIFT-Eval、TIME、fev-bench 三个基准上取得新的 SOTA，其中 209M 与 123M 在每个指标上都占据前两名。

事件概述或研究问题

该工作提出了一类用于概率预测的时间序列基础模型，旨在通过统一的架构与训练流程，在多个预测基准上同时取得领先表现，并覆盖从极小（5M）到较大（209M）的多种规模。论文属于 cs.AI 类别，报告聚焦于模型设计与基准结果。

方法/产品要点

模型性能来自三个设计要素：

• Decoupled Horizon Forecasting（DHF）：将预测 token 与经过因果编码的上下文分离，使更长的预测视野可以在不遮蔽上下文的情况下训练；同时每个观测值既作为预测目标，也作为后续预测的上下文。
• 协变量框架：在因果架构中原生支持已知的未来协变量。
• 两阶段流程：先在多样化、大规模合成语料上做纯合成预训练，再用真实与合成混合数据、并采用扩展上下文进行后训练。

主要结果或产业意义

Timestral 在 GIFT-Eval、TIME 和 fev-bench 上刷新 SOTA，Timestral-209M 与 Timestral-123M 在所有指标上包揽前两名。四个模型的权重已在 Hugging Face 发布，推理代码在 GitHub 开源，便于复现与下游应用。

为什么重要

它同时给出了一条可复用的“合成预训练 + 混合后训练”路线，以及在小参数量级上仍具竞争力的证据（5M 起），这对算力受限场景下的时间序列预测部署具有参考价值；开源权重与代码也降低了产业落地门槛。

局限与不确定性

• 材料仅给出基准排名结论，未提供各基准上的具体数值与对比方法清单，具体指标待核实。
• 合成语料的构成、规模与生成方式未在摘要中说明，待核实。
• “每个指标”的具体覆盖范围（指标数量、数据集数量）待核实。
• 摘要未说明推理成本、延迟与显存占用等部署相关指标，待核实。

可用于图书/PPT/简报的角度

• 作为“时间序列基础模型走向规模化与小参数化并行”的案例。
• 作为“合成数据预训练 + 真实数据后训练”两阶段范式的典型例证。
• 作为“因果架构下原生支持未来协变量”的方法设计参照。
• 作为开源权重 + 开源推理代码推动基准可比性的案例。

原始材料

• 标题：Timestral
• arXiv ID：2610.37585v1
• 主分类：cs.AI
• 发布/更新时间：2026-10-27
• 摘要链接：https://arxiv.org/abs/2610.37585v1
• PDF 链接：https://arxiv.org/pdf/2610.37585v1
• 关键词：time series foundation models；probabilistic forecasting；Decoupled Horizon Forecasting；covariates；synthetic pretraining；GIFT-Eval；TIME；fev-bench