미스트랄 Timestral 공개! GPU 없이 CPU에서 돌아가는 시계열 예측 AI

 

 

 

프랑스 AI 기업 미스트랄(Mistral)이 2026년 10월 15일, 새로운 모델을 공개했습니다. 이름은 Timestral(타임스트랄). 텍스트를 다루는 언어 모델이 아니라, 시계열(Time Series) 데이터를 예측하는 파운데이션 모델입니다. 미스트랄이 시계열 분야에 내놓은 첫 번째 모델 패밀리라고 하네요.

 

가장 큰 모델이 고작 2억 900만(209M) 파라미터인데... GIFT-Eval, TIME, fev-bench 등 시계열 분야 3대 공개 벤치마크에서 모두 1위를 차지했다고 합니다. 기존 최고 모델보다 파라미터는 3분의 2 수준인데도 말이죠.

 

 

왜 시계열 파운데이션 모델일까요?

 

시계열 데이터는 기업에서 가장 흔한 데이터 중 하나입니다. 공장 센서 값, 서버 모니터링 지표, 전력 사용량, 수요량, 금융 거래량 등이 모두 시계열이죠.

 

기존에는 ARIMA나 선형 회귀 같은 전통적인 모델을 많이 사용했습니다. 하지만 이런 모델은 하나의 데이터 계열만 보고, 그 과거만 학습한다는 한계가 있습니다. PatchTST 같은 딥러닝 모델은 여러 계열의 비선형 패턴을 배울 수 있지만, 데이터셋마다 처음부터 다시 학습해야 해서 다른 분야로 지식이 이어지지 않습니다.

 

시계열 파운데이션 모델은 LLM처럼 대규모 데이터로 미리 학습해 두는 방식입니다. 그래서 한 번도 본 적 없는 데이터도 추가 학습 없이 바로 예측(제로샷)할 수 있답니다. 데이터가 부족한 분야에서도 쓸 수 있다는 게 큰 장점이죠.

 

 

4가지 크기, 그리고 CPU 추론

 

Timestral은 4가지 크기로 나왔습니다. 모두 같은 구조와 학습 방법을 사용하고, 크기별로 정확도와 속도를 골라 쓸 수 있습니다.

모델	파라미터	특징
Timestral-5M	500만	8스레드 CPU 기준 약 10ms
Timestral-28M	2,800만	209M보다 약 5배 빠름, 약 4배 큰 Chronos-2보다 우수
Timestral-123M	1억 2,300만	209M 대비 점수 차 0.2% 이내, 지연시간 3/4
Timestral-209M	2억 900만	최고 성능, 약 140ms

(15분 간격 3주치 데이터로 하루 뒤를 예측하는 조건이라고 합니다.)

 

 

가장 놀라운 점은 추론에 GPU가 필요 없다는 것입니다. 일반 서버 CPU로도 충분히 실시간에 가깝게 돌릴 수 있으니, 인프라 비용 부담이 확 줄어들겠네요.

 

미스트랄은 모든 크기가 "정확도 대비 모델 크기"의 파레토 최전선에 있다고 설명합니다. 즉, 같은 크기에서는 이보다 예측을 잘하는 공개 모델이 없다는 뜻이죠. 209M 모델은 더 적은 파라미터로 TimesFM-3, Falcon-2.0도 앞섰다고 합니다.

 

 

공장에서는 이렇게 쓸 수 있습니다

 

미스트랄은 수천 개의 센서가 달린 공장을 예로 들었습니다.

 

- 다변량 예측 : 펌프의 진동, 온도, 압력은 따로 움직이지 않죠. Timestral은 서로 관련된 센서를 함께 모델링해서, 이 연관성까지 예측에 활용합니다.

 

- 확률적 예측 : 값 하나만 내놓는 게 아니라 21개의 분위수(quantile)를 예측합니다. 불확실성이 얼마나 큰지 보고, 알람 기준이나 정비 계획을 세울 수 있답니다.

 

- 범주형 공변량 : 요일, 장비 상태(가동/대기/정비 중) 같은 값을 숫자로 억지 변환하지 않고 그대로 입력할 수 있습니다.

 

- 미래에 이미 알고 있는 정보 : 생산 일정, 계획된 셧다운, 날씨 예보처럼 미리 아는 정보를 반영할 수 있습니다. 그래서 예정된 부하 증가를 '이상'으로 오탐하지 않게 되죠.

 

여기에 미스트랄의 언어 모델 에이전트를 연결하면 더 재미있어집니다. Timestral이 이상을 감지하면 → 에이전트가 과거 유사 고장 사례를 찾고 → 정비 기록, 작업 일지, 매뉴얼 등을 분석해 원인 진단과 조치안 초안까지 만들어 준다고 합니다. 관리자는 단순한 알람이 아니라 근거 있는 진단서를 받게 되는 셈이죠.

 

 

핵심 기술 4가지

 

- DHF(Decoupled Horizon Forecasting) : 기존 방식은 예측할 구간을 마스킹해서 그 값이 문맥으로 쓰이지 못했습니다. Timestral은 전체 과거를 그대로 두고, 학습된 '예측 토큰'이 과거를 읽어 오는 방식입니다.

 

- 공변량 인식 어텐션 : 각 입력에 대상 변수/과거 공변량/미래 공변량 역할을 부여합니다. 정보는 공변량 → 대상으로만 흘러서, 미래 정보가 새어 들어가는 문제를 막아줍니다.

 

- 합성 데이터 중심 학습 : 학습 데이터 대부분이 합성 데이터라고 합니다. 추세, 계절성, 노이즈를 가진 단변량 데이터를 만든 뒤, 비선형 관계로 엮어 다변량 데이터를 만들었다네요.

 

- 2단계 학습 : 문맥 길이 8,192로 합성 데이터만으로 사전학습한 뒤, 실제+합성 데이터로 4배 긴 문맥(32,768 스텝)에서 후속 학습을 했습니다.

 

 

어떻게 사용할 수 있나요?

 

GitHub 저장소와 Hugging Face를 통해 바로 내 데이터에 돌려볼 수 있습니다. 추론 코드는 Apache 2.0, 모델 가중치는 수정된 MIT 라이선스로 공개되었습니다.

 

자기 분야에 맞게 다듬고 싶다면 Mistral Forge를 통해 파인튜닝, 도메인 전용 공변량 추가, 학습 데이터 구성 조정까지 할 수 있다고 합니다. 온프레미스, VPC는 물론 인터넷이 차단된 에어갭 환경에도 배포 가능하다고 하니 보안이 중요한 제조·금융·공공 분야에서 관심을 가질 만하네요.

 

 

마무리하며...

 

Timestral은 작은 크기, CPU 추론, 제로샷 예측이라는 세 가지 장점을 모두 갖춘 모델입니다. 지금까지 시계열 예측은 데이터마다 모델을 따로 만들고 학습시키는 번거로운 작업이었는데요. 이제는 미리 학습된 모델 하나로 수요 예측, 에너지 관리, 설비 이상 감지 등 다양한 분야에 바로 활용할 수 있게 되었습니다. 값비싼 GPU 없이도 쓸 수 있으니, 중소 규모 기업이나 연구자들에게도 문턱이 한층 낮아졌다고 할 수 있겠네요.

 

다만 벤치마크 결과는 아직 미스트랄이 자체 발표한 수치이고, 상세 기술 보고서는 추후 공개될 예정이라고 합니다. 실제 현장 데이터에서 얼마나 잘 맞는지는 직접 돌려보며 확인해 보는 게 좋겠죠?

 

LLM 경쟁이 뜨거운 가운데, 미스트랄이 '숫자 데이터'라는 새로운 영역으로 발을 넓혔다는 점에서 앞으로의 행보가 더 기대됩니다!

 

 

참고: Mistral 공식 블로그 - Introducing Timestral

Timestral: Mistral's time-series foundation models | Mistral

 

 

#Timestral #타임스트랄 #미스트랄 #MistralAI #시계열예측 #시계열파운데이션모델 #TSFM #AI모델 #오픈웨이트 #CPU추론 #이상감지 #예지보전 #스마트팩토리 #센서데이터 #MistralForge