lunes, 16 de noviembre de 2026
Tecnología

Mistral lanza Timestral: cuatro modelos abiertos de series de tiempo que corren en CPU

La primera familia de modelos fundacionales de Mistral llega en cuatro tamaños (5M a 209M), con predicción probabilística y pesos abiertos bajo licencia MIT modificada.

4 min de lectura
Mistral lanza Timestral: cuatro modelos abiertos de series de tiempo que corren en CPU

Qué es Timestral

Hecho: Mistral AI lanzó el 15 de octubre Timestral, su primera familia de modelos fundacionales de series de tiempo. Son cuatro tamaños —5, 28, 123 y 209 millones de parámetros— que comparten arquitectura y receta de entrenamiento y predicen zero-shot, es decir, sin entrenarse sobre los datos de cada usuario.

Las predicciones son probabilísticas: el modelo devuelve 21 cuantiles entre 0,01 y 0,99 por paso, en lugar de una única línea, y admite covariables del pasado y covariables conocidas en el futuro, tanto para series individuales como multivariadas. El contexto alcanza 32.768 pasos de tiempo, según el índice de AI/TLDR.

Los números de benchmark

Del fabricante: Mistral afirma que su modelo de 209 millones de parámetros ocupa el primer lugar en los tres benchmarks públicos principales de la especialidad —GIFT-Eval, TIME y fev-bench— superando al estado del arte previo con dos tercios de sus parámetros, y que resultados de un solo checkpoint, sin ensamblado. Los resultados fueron enviados a los leaderboards de GIFT-Eval y TIME; no hay, por ahora, evaluación independiente publicada que los confirme.

La compañía también explica el diseño: preentrenamiento con datos sintéticos, atención consciente de covariables y aprendizaje de largo contexto, con opciones de fine-tuning de dominio a través de Mistral Forge. Apunta a usos de capacidad, energía, cadena de suministro, riesgo y mantenimiento, donde los modelos clásicos como ARIMA se ajustan a cada serie por separado y los modelos profundos como PatchTST suelen entrenarse desde cero en cada conjunto de datos, de modo que lo que aprenden no se traslada a otro dominio.

Mistral plantea que un modelo fundacional entrenado sobre un corpus amplio aprende patrones que se transfieren entre series y pronostica zero-shot en datos que nunca vio, incluso en dominios con pocos datos. Entre los ejemplos que da: plantas industriales que pronostican sensores de proceso contra el cronograma de producción para detectar deriva de equipos antes de que fallen, y equipos financieros que pronostican flujos, volúmides y volatilidad para ubicarse en posiciones y cubrir cuentas.

Verificación propia: el índice independiente AI/TLDR reproduce los cuatro tamaños, las 21 cuantiles por paso, el contexto de 32.768 pasos y las licencias (MIT modificada para los pesos, Apache-2.0 para el código de inferencia), y aclara que los resultados de benchmark publicados provienen de Mistral AI, con fecha del 15 de octubre de 2026.

Licencia y disponibilidad

Los pesos se publican con licencia MIT modificada y el código de inferencia bajo Apache-2.0, según AI/TLDR. Un análisis independiente en dev.to destaca dos puntos: los modelos corren en CPU y la licencia modificada fija un techo de US$20 millones mensuales de ingresos antes de requerir un acuerdo con Mistral. Ese techo es una interpretación de la licencia publicada por un tercero, no una declaración de la empresa en su nota de lanzamiento.

El repositorio oficial mistralai/timestral documenta la familia y las covariables soportadas; los pesos están disponibles en Hugging Face y el modelo identificador timestral-1-0 figura en preview público de la documentación de Mistral.

Artículos Relacionados