Timestral-28M 是 Mistral AI 发布的时序预测基础模型（time series foundation model），2800 万参数，主打零样本预测（zero-shot forecasting）。它的官方成绩挂在三个名字上：GIFT-Eval、TIME、fev-bench。这三个基准该叫什么、分数怎么看、28M 在家族里处于什么水平？本文一次讲清楚。

先解决称呼问题：三个基准怎么读

第一次看到这三个名字，最直接的困惑就是"怎么念"。下面给出常见读法，方便你和团队讨论时对齐：

几个小提醒：

• GIFT-Eval里的 GIFT 就是英文单词"礼物"，不用拆成字母读；Eval 是 Evaluation（评估）的缩写。
• TIME是一个完整的英文单词，按词读最自然，不建议逐字母念 T-I-M-E。
• fev-bench没有约定俗成的读法，逐字母念或整体念"费夫-bench"都可以，重点是大家都指同一个东西。

看懂指标：MASE、CRPS 和 Skill Score 是什么

在看分数之前，先弄清三个指标，这是读懂 README.md 中基准成绩的前提：

• MASE（Mean Absolute Scaled Error，平均绝对缩放误差）：衡量点预测准不准，越低越好（↓）。它把误差相对于"最傻的预测"（比如用上一个值预测）做了归一化，跨数据集可比。
• CRPS（Continuous Ranked Probability Score，连续排序概率评分）：衡量概率预测的质量——模型不只是给一个点，而是输出 21 个分位数（0.01 到 0.99），CRPS 越低说明预测分布越可靠（↓）。
• Skill Score（技能分）：模型相对基线的相对提升，越高越好（↑），出现在 fev-bench 的 SQL skill score 和 MASE skill score 中。

记住箭头方向：↓ 越低越好，↑ 越高越好，这是三个榜单最大的阅读差异点。

Timestral-28M 的基准成绩单

28M 版本在三大榜单上的成绩如下（数据来自 README.md 的 model-index 与结果表）：

一句话解读：在 GIFT-Eval 和 TIME 上，MASE 都在 0.6 几的水平（即误差只有朴素基线的约 64%~68%），CRPS 也在 0.46~0.53 之间；在 fev-bench 上，相对基线的技能分约为 37~48 分。三项成绩均达到各自模型规模档位下的第一梯队。

家族对比：28M 在 Timestral 中的位置

Timestral 家族有 5M、28M、123M、209M 四个参数版本，小模型是"体积 vs 精度"的权衡。完整成绩如下：

可以看到清晰的规律：参数越大分数越好，但边际收益递减——209M 相对 28M 的提升只有 1%~6% 左右。也就是说，28M 用约 1/7 的参数量，拿到了旗舰版绝大部分的预测能力，这正是"轻量模型高性价比"的典型例子。

Timestral-28M 模型速览

适合部署在 CPU 或 GPU 上、对推理资源敏感的场景。核心规格：

• 参数量：28M，纯 PyTorch 推理，CPU 可跑
• 架构：基于 patch 的 Transformer，12 个注意力层，交替使用时间注意力（time attention）与时间+变量注意力（time_variate attention）
• Patching：每 32 个时间步切一个 patch，缺失值用 NaN 标记并附带指示位
• 上下文长度：最长 32,768 个时间步；单次前向最多预测 1,024 个时间步，更长 horizon 分块滚动
• 输出：21 个分位数（0.01、0.05 … 0.95、0.99）的完整概率预测
• 输入：单变量/多变量目标序列 + 过去协变量 + 已知未来协变量，支持数值型与类别型（类别协变量做 target 编码）

结构超参数可以直接查看 config.json（如patch_size: 32、d_model: 384、context_length: 32768、12 段block_schedule与 21 个quantile_knots）。

如何获取与使用

git clone https://gitcode.com/hf_mirrors/mistralai/Timestral-28M

权重文件为 model.safetensors。注意许可证是Modified MIT（见 LICENSE）：核心限制是企业全球合并月收入超过 2,000 万美元的公司不能直接行使许可权利，商用需联系 Mistral AI 申请商业授权。

文件资料索引

总结：GIFT-Eval 读"吉夫特-Eval"、TIME 读"泰姆"、fev-bench 读"F-E-V-bench"；看分数的关键是分清 ↓（MASE、CRPS 越低越好）和 ↑（skill score 越高越好）。如果你的场景是中小规模数据、CPU 或轻量 GPU 部署，28M 版本是 Timestral 家族里性价比最高的选择。