시계열 예측 AI, 미스트랄이 가중치까지 공개했다

언어에서 이미지로, 이제 시계열로

지난 몇 년간 AI 분야에서 반복된 패턴이 하나 있다. 어떤 데이터 유형이든, 충분한 사전학습을 마친 하나의 큰 모델이 그 분야마다 만들어지는 전용 모델들을 대체해가는 일이다. 텍스트가 그렇게 됐고, 이미지가 그렇게 됐고, 음성도 그렇게 됐다.

시계열은 그 틀에 들어가기까지 상당한 시간이 걸렸다. 내일 주문이 몇 건일지, 다음 분기 전력 사용량이 얼마일지, 재고를 얼마나 채워둬야 하는지 같은 문제는 업무 현장에 넘쳐나는데도, 여전히 엑셀 추세선이나 ARIMA 같은 전통적인 방법, 또는 내 데이터만으로 짠 전용 모델에 의지하는 경우가 많았다.

미스트랄AI가 공개한 Timestral은 이 지점을 정확하게 노린다.

네 가지 크기, 전부 공개

Timestral은 확률적 시계열 예측을 위한 파운데이션 모델 패밀리다. 크기는 네 가지다.

언어모델 기준으로 보면 우스운 정도로 작다. 가장 큰 모델이 2억 파라미터고, 가장 작은 것은 500만 파라미터다. 생성형 언어모델과 달리 시계열은 다뤄야 하는 대상이 나열된 숫자들이라, 사내 설비나 단일 GPU에 올려 돌릴 수 있을 만큼 가볍다는 점이 오히려 장점이다.

보고된 성적은 GIFT-Eval, TIME, fev-bench 세 벤치마크의 모든 지표에서 209M과 123M이 1·2위다. 가중치는 허깅페이스에, 추론 코드는 깃허브에 공개됐다.

방법: 예측을 문맥에서 떼어내다

세 가지 설계가 핵심으로 제시됐다.

첫째는 DHF(Decoupled Horizon Forecasting)다. 보통 긴 구간을 예측하려면 미래 데이터를 가려서 학습해야 한다. 그런데 그러면 가려진 구간은 문맥으로 쓸 수 없게 된다. DHF는 예측을 담당하는 토큰을 문맥 인코딩과 분리해, 같은 관측값이 예측 대상이면서 동시에 뒤이어지는 예측의 재료로 쓰이게 만든다.

둘째는 공변량 처리다. 현장에서는 미래값을 이미 알고 있는 변수가 많다. 다음 주 행사 일정, 이미 공표한 할인 기간, 달력상의 공휴일 같은 것들이다. Timestral은 이러한 '미래가 알려진 공변량'을 인과적 구조 안에서 다뤄낼 수 있도록 짜여 있다. 실무에서는 이쪽이 벤치마크 점수보다 더 중요할 수 있다.

셋째는 학습 순서다. 대규모 합성 데이터로만 사전학습한 뒤, 실제와 합성을 섞은 데이터와 긴 문맥으로 후속 학습한다. 시계열은 언어처럼 웹에서 긁어모을 수 없기 때문에, 데이터 부족을 합성으로 보완하는 전략은 이 분야에서 자연스러운 선택이다.

그래서 진짜 의미하는 것

오해하기 쉬운 지점이 두 가지 있다.

첫째, 모든 지표 1·2위는 제작사가 직접 보고한 수치다. 제삼자가 같은 조건에서 재현해 확인한 결과가 아니다. 모델 릴리스에 따라 나오는 기술 보고서의 벤치마크는 유리한 설정이 선택되기 마련이므로, 자기 데이터로 한 번 돌려보기 전엔 점수를 그대로 받아들이지 않는 것이 좋다.

둘째, 파운데이션 모델이라고 해서 내 도메인에서 바로 최강이 되는 것은 아니다. 시계열은 도메인별 특성이 유독 강하다. 제조 공정의 진동 데이터와 커머스 주문량은 생김새가 전혀 다르다.

그렇다면 무엇이 진짜 새로운가. 시작점이 바뀐다는 것이다. 지금까지 수요 예측을 도입하려면 데이터를 모으고 튜닝하고 학습 파이프라인을 짜는 수개월의 작업이 전제였다. 가중치가 공개된 예측 파운데이션 모델은 그 작업을 건너뛰고 몇 시간 만에 기준선을 만들 수 있게 해주는 도구다. 가벼운 모델이 함께 제공되므로 사내 설비에 온프레미스로 올리는 일도 현실적이다. 데이터를 밖으로 보내기 어려운 제조·금융·의료 현장에선 이 지점이 벤치마크 상위권보다 중요할 수 있다.

다만 라이선스 조건은 별도로 확인해야 한다. 가중치가 공개됐다는 사실만으로 상업 이용이 자유롭다고 단정할 수는 없다.

정리하면, 시계열 예측 AI는 이제 '모델을 직접 학습시킬지'가 아니라 '공개 모델로 시작한 뒤 어디서부터 우리 데이터에 맞춰갈지'를 물어야 하는 단계에 와 있다. 벤치마크 순위는 출발점을 골라주는 참고일 뿐이고, 판단은 자기 데이터 위에서 내리는 것이 맞다.

---

출처

Mistral AI(Adrien Petralia, Alexandre Gavaudan, Artjom Joosen 외), "Timestral", arXiv:2610.37585v1, 2026년 10월 27일.