Timestral: Sıradan İşlemcide 10 Milisaniyede Tahmin Yapan Minik Yapay Zekâ Modeli

Sıradan bir işlemcide 10 milisaniyede gelecek tahmini: Mistral yapay zekâ ekibinin Timestral ile ortaya koyduğu iddia bu. Ne ek hızlandırıcılar, ne dev sunucu odaları; tek bir model, saatlik ya da 15 dakikalık geçmişe bakıp bir gün sonrasını söylüyor. Kulağa küçük bir sihir gibi geliyor, ama arkasında dört boylu açık ağırlıklı bir model ailesi var. Bu yazıda iddiayı parçalara ayırıp sayılara, denemelere ve sınırlara bakıyorum.

Skor tablosu

Timestral nedir? Mistral ekibinin 15 Ekim 2026 günü duyurduğu, ailenin ilk zaman serisi yapay zekâ kolu: 5M, 28M, 123M ve 209M büyüklüğünde dört model. Ağırlıklar açık, yazılım Apache 2.0 ile GitHub deposunda duruyor; 5M sürümü yalnız 21MB. Sıfır örnek çalışıyor: sizin verinizi önceden görmeden tahmin üretiyor; işlemcide koşuyor, ek hızlandırıcı istemiyor. OpenDataScience özetinin de yazdığı gibi, ARIMA gibi klasik yöntemlerden ve tek işe odaklı derin öğrenmeden sonra bu adım, tahmini genel amaçlı bir yapay zekâ modeline taşıyor. Küçükten büyüğe aynı tasarım, farklı boylar.

Sayılara gelelim. 209M sürümü, üreticinin bildirdiği sonuçlara göre üç ayrı liderlik tablosunda, önceden hazırlanmış sıfır örnek modeller arasında ilk sırada: GIFT-Eval, TIME ve fev-bench. GIFT-Eval tarafında MASE 0,658 ve CRPS 0,446; TIME tarafında MASE 0,626 ve CRPS 0,522; fev-bench tarafında SQL becerisi 50,39. Rakipler geride: Google yapımı TimesFM-3 (0,667 ve 0,456; 0,640 ve 0,536; 48,99), Amazon yapımı Chronos-2 (0,698 ve 0,485; 0,662 ve 0,556; 47,28); 2,5B büyüklüğündeki Toto 2.0 her satırda geride kalıyor. StackFutures tablosu bu satırları tek tek döküyor. Yine de küçük bir not: sayılar bağımsız doğrulamayı bekliyor, sıralama bir başlangıç noktası.

Tasarımın dört fikri

Asıl şaşırtıcı kısım küçük boylar. 28M sürümü, kendinden kat kat büyük Chronos-2 modelini GIFT-Eval ve TIME sıralamalarında geçiyor; StackFutures notuna göre çeyrek boyla gelen bir galibiyet bu. 123M ile 209M arasındaki MASE farkı yalnız 0,001; CodeBridge AI incelemesinin yazdığı gibi bu fark ayırt edilemez düzeyde, oysa 123M sürümü 209M düzeyine dörtte üç süreyle ulaşıyor. Süreler de çarpıcı: 3 haftalık 15 dakikalık geçmişten bir gün sonrasını tahmin, 8 iş parçacıklı sunucu işlemcisinde en küçük boyda 10 milisaniye, en büyükte 140 milisaniye; DataNorth raporundaki ölçüm bu. Bağlam 32.768 adıma kadar uzuyor, tek geçişte 1.024 adıma kadar tahmin çıkıyor.

Peki bu küçük yapay zekâ modeli nasıl çalışıyor? Dört fikri mutfak benzetmeleriyle anlatayım. Birincisi tam geçmiş görüşü: model, tıpkı yemek yaparken tezgâhın tamamını gören bir aşçı gibi, geçmişin tümünü göz önünde tutuyor; boşluklar eksik diye işaretli kalıyor; tahmin token'ları bu tezgâhtan besleniyor. İkincisi takvim duyarlılığı: tatil günü ya da üretim planı gibi gelecek bilgileri yalnız ilgili hedeflere akıyor, model geleceğe göz ucuyla bakmıyor. Geçmişe ait sinyaller de karışıma katılıyor. Üçüncüsü sentetik okul: model önce sentetik veriyle alışıyor, sonra gerçek ve sentetik veri karışımıyla dört kat bağlamla olgunlaşıyor. Dördüncüsü tek sayı yerine 21 dilimli aralık: ortanca değerin iki yanında olasılık kuşakları. 209M sürümü 24 katmanlı, iç temsil genişliği 768, her parça 32 adım; CodeBridge incelemesindeki teknik döküm bu. Uzun ufuklar blok blok ilerliyor, her bloğa ortanca değer ekleniyor.

Denemeler

Gelelim denemelere. YouTube üzerindeki Ray Codes kanalında anlatan kişi, GitHub deposundan pip ile kurduğu 5M sürümüyle üç küçük deneme yapıyor; sonuçlar çıktı klasörüne düşüyor, ana dosya main.py. İlk deneme NVDA fiyatlarında geriye dönük bir koşu: 6 aylık geçmişle son 30 günü tahmin edip gerçek eğriyle yan yana koyuyor. Zirve yakalanıyor ama eğrinin tamamı birebir tutmuyor; yalnız 60 günlük fiyat geçmişi var, haber akışı yok. Yani 5M sürümü yönü buluyor ama hikâyenin tamamını okuyamıyor; fiyatın dışındaki dünyayı görmeyen bir modelden de fazlasını beklememek gerek.

İkinci deneme hayali bir mağazada geçiyor: mevsimsel talep akarken kısa süreli bir indirim atağı patlıyor; model 21 dilimli olasılık kuşaklarıyla talebin yönünü ve yayılımını çiziyor. Üçüncü denemede kasa dengesi var: nakit, $60.000 tutarındaki güvenlik sınırına yaklaşınca kuşaklar daralmanın nerede risk doğuracağını gösteriyor. İki denemenin ortak dersi aynı: tek sayı değil aralık veren bir model, ekiplere riskin kıyısında plan yapma şansı tanıyor. Gölgeli kuşaklar grafikte bir süs değil; hangi haftaya ne kadar pay ayrılacağını söyleyen bir pusula.

Modelden sisteme geçiş ise en heyecanlı bölüm. Düşünün: bir fabrikada pompa titreşim, sıcaklık ve basınç sinyallerini model birlikte izliyor; olağan dışı bir sinyalde geçmiş arıza kayıtları arasından benzerleri bulunuyor. Sonra yardımcı ajanlar devreye girip vardiya notlarını ve kılavuzları Mistral Large diliyle okuyor; sonuç yalnız bir alarm değil, kök neden ve eylem planı. Yani Timestral sayıyı üretiyor, büyük dil modeli anlamı kuruyor. Bu tablo, tahmin işinin tek başına bir grafik olmaktan çıkıp düzenli akışın parçası olduğu bir geleceği işaret ediyor.

Sınırlar ve lisans notu

Sınırlar da tablonun parçası. Model yalnız sayı üretir; açıklama için bir dil modeliyle eşlemeniz gerekir. 1.000 adımı aşan ufuklar blok blok ilerler, kategorik girdileri önce sayıya çevirmeniz istenir. Lisans tarafında yazılım Apache 2.0, ağırlıklar Değiştirilmiş MIT ile geliyor; DataNorth notuna göre aylık $20M üzeri gelir üreten şirketlerin ayrı bir anlaşma yapması gerekiyor. Kurumsal ölçekte koşmadan önce şartları okumakta yarar var. Bunlar caydırıcı değil, dürüst bir kullanım kılavuzu: küçük model, büyük ciddiyet ister.

Son söz: küçüğün devi geçmesi bir tesadüf değil, verimli tasarımın ödülü. Saatte binlerce seri işleyen ekipler için StackFutures önerisi 28M sürümünden başlamak; CodeBridge ölçütü de net: kendi verinizde mevsimsel saf çizgiyle kıyaslayın, aralık tutarlılığına ve süre bütçesine bakın, sıralamayı başlangıç noktası sayın. İlk adım basit: 5M sürümünü pip ile kurup kendi verinizde küçük bir deneme yapın. Timestral, tahmin işini sunucu odalarından çıkarıp her masaya ve her ajana taşıyan bir yerel model; yapay zekâ cephesinde bundan sonrası artık sizin verinizin hikâyesi.