Timestral, t0, Tabby, Morpheus: le match des prévisions IA
Entre le 10 septembre et le 16 octobre 2026, Huawei, Mistral AI, The Forecasting Company et JPMorganChase ont dévoilé quatre modèles de base pour la prévision de séries temporelles. L’objectif est de renoncer à ajuster un modèle à chaque capteur ou flux de données : un réseau entraîné sur une multitude de séries devrait produire, en une seule passe, des prévisions probabilistes à partir des seules valeurs récentes. L’usage progresse, Chronos-2 ayant été téléchargé onze millions de fois sur Hugging Face en trente jours à la fin octobre 2026. Les architectures convergent sur plusieurs briques : normalisation des échelles, découpage en blocs réduisant le nombre de jetons, transformeurs et sortie par quantiles pour encadrer l’incertitude. Elles divergent surtout sur les variables explicatives et la génération des horizons. Tabby traite chaque série séparément, ce qui simplifie le calcul mais empêche d’exploiter des facteurs comme une prévision météo. Timestral et t0 insèrent des couches permettant aux données cibles de lire des covariables connues à l’avance. Morpheus, lui, fait circuler l’information à la fois dans le temps et entre variables à chaque couche, avec une mémoire mieux maîtrisée. À l’inférence, Timestral ajoute des jetons de prévision, t0 prédit le bloc suivant, tandis que Tabby et Morpheus complètent des positions manquantes. Sur le benchmark GIFT-Eval, Timestral-209M affiche le meilleur CRPS, 0,446, devant t0-gamma (0,452) et Morpheus-2.0 (0,455), ce dernier correspondant à une variante Multiscale de 413 millions de paramètres. L’écart est trop faible pour désigner un vainqueur net, car l’incertitude statistique chevauche les résultats. Le classement change avec le MASE : Morpheus devient premier à 0,646 contre 0,658 pour Timestral. Les performances sont également inégales par secteur. Morpheus surperforme en énergie et transport, domaines riches en séries corrélées, tandis que Timestral et t0 sont mieux placés dans le cloud, la nature et la santé. Le petit Timestral-28M talonne de près la version 209M, ce qui plaide pour des déploiements plus sobres. La comparaison suggère que les progrès récents viennent surtout des données synthétiques, des stratégies de curriculum et des réglages d’entraînement, plus que des nouveautés d’architecture. Chez Morpheus, la suppression de la phase synthétique et du curriculum dégrade fortement la précision. Le gain de t0-gamma par rapport à t0-beta provient principalement de nouveaux poids, malgré des ajustements de post-traitement minimes. Chez Tabby, l’entrée utilisée au classement est ajustée par des vecteurs entraînés sur des tâches du benchmark ; sa variante originale, sans adaptation spécifique, reste plus modeste. Pour les utilisateurs, la licence et la disponibilité des poids sont déterminantes. t0 est distribué sous Apache-2.0, Timestral impose une restriction commerciale et Tabby interdit l’usage commercial de ses poids, tandis que Morpheus reste non reproductible faute de publication publique. En pratique, le choix devrait dépendre du besoin réel : exploiter des covariables comme la température ou un calendrier commercial, valider la mesure d’erreur utilisée, tester les modèles sur ses propres séries et commencer par des tailles réduites. Les résultats agrégés ne remplacent pas une évaluation sur les horizons et les données réelles de l’entreprise. La prochaine expérimentation suggérée serait de confronter ces systèmes à de grandes séries énergétiques accompagnées de prévisions météo, afin de mesurer l’apport concret des mécanismes d’attention entre variables. En l’état, cette comparaison montre un domaine mûr dans ses composants, mais encore incertain dans ses arbitrages.
