Motivés par les progrès récents des grands modèles linguistiques en traitement du langage naturel (NLP), nous proposons un modèle fondamental pour les séries temporelles destiné à la prévision, dont les performances zéro-shot hors-boîte sur divers jeux de données publics s'approchent de la précision des modèles supervisés d'état de l'art pour chaque jeu de données individuel. Notre modèle repose sur un pré-entraînement d'un modèle d'attention de type décodeur à patch sur un vaste corpus de séries temporelles, et s'avère performant sur différentes longueurs d'histoire de prévision, différentes durées de prédiction et différentes granularités temporelles.