Mistral lanza Timestral, una nueva familia de modelos de predicción de series temporales

Mistral ha presentado Timestral, su primera familia de modelos base de series temporales, diseñados para predecir valores futuros a partir de secuencias de datos pasados como lecturas de sensores, uso de energía o flujos financieros.

Una serie temporal es simplemente una lista de números recopilados en orden a lo largo del tiempo. Pronosticar significa usar esa historia —y a veces información externa— para predecir qué vendrá después.

Qué se puede hacer con ello

• Una planta industrial puede monitorear continuamente miles de sensores y predecir cuándo necesitará mantenimiento un equipo como una bomba antes de que falle ¹.
• Una empresa energética podría planificar su capacidad con pronósticos que se ejecutan en un CPU de servidor normal, sin necesidad de GPU especializada ¹.
• Equipos de finanzas pueden modelar flujos de caja y volatilidad a través de miles de cuentas para orientar decisiones de coberturas y tesorería ¹.

El modelo más grande de Timestral tiene solo 209 millones de parámetros ¹. Un parámetro es un número que el modelo ajusta durante el entrenamiento para poder aprender patrones. A pesar de su tamaño reducido, Mistral afirma que ocupa el primer lugar en los tres principales benchmarks públicos de predicción: GIFT-Eval, TIME y fev-bench, superando a modelos anteriores mientras usa aproximadamente dos tercios de los parámetros.

La familia incluye cuatro tamaños —5 millones, 28 millones, 123 millones y 209 millones— para que los usuarios puedan elegir entre velocidad y precisión. El modelo de 5M necesita solo 10 milisegundos para pronosticar un día hacia adelante a partir de tres semanas de datos de sensores de 15 minutos en un CPU de servidor normal, mientras que la versión de 209M tarda 140 milisegundos ¹. Ninguno de ellos requiere una GPU, el chip gráfico especializado del que dependen muchos modelos de inteligencia artificial.

Mistral entrenó Timestral con un gran conjunto de datos sintéticos —datos creados por computadoras en lugar de recopilados del mundo real— para que pueda hacer predicciones zero-shot, es decir, predicciones sobre datos que nunca ha visto antes, incluso en campos donde los ejemplos reales son escasos.

El modelo también puede observar series relacionadas al mismo tiempo. Si la vibración, la temperatura y la presión de una bomba cambian todas juntas, Timestral puede usar esas conexiones en lugar de adivinar cada una por separado. Maneja entradas categóricas —etiquetas como «inactivo» o «en mantenimiento» que no tienen un orden natural— y entradas del futuro conocido, como cambios de producción programados, para que un aumento planificado de carga no parezca una sorpresa.

Las empresas pueden ajustar Timestral con sus propios datos a través de Mistral Forge, la plataforma de ajuste fino de la compañía, para adaptarlo a industrias específicas ¹.

Mistral afirma que el modelo está diseñado para integrarse en sistemas de monitoreo existentes y puede funcionar junto con sus modelos de lenguaje en flujos de trabajo multiagente, donde un agente de inteligencia artificial reacciona ante alertas del sistema de predicción. Los resultados de los benchmarks se han sometido a GIFT-Eval y TIME para verificación independiente ¹.

Qué tan bueno es

Mistral afirma que su modelo más grande (209M parámetros) ocupa el primer lugar en los tres principales benchmarks públicos —GIFT-Eval, TIME y fev-bench— usando solo alrededor de dos tercios de los parámetros de modelos líderes anteriores ¹. En GIFT-Eval y TIME, el modelo de 28M también supera a Chronos-2, que es aproximadamente cuatro veces más grande . Las puntuaciones más bajas son mejores en estos benchmarks, lo que significa que los resultados de Timestral lo sitúan por delante de la competencia . Mistral presentó los resultados en los rankings de GIFT-Eval y TIME para verificación independiente .

Gráfico del anuncio: Este gráfico compara las puntuaciones de los modelos de predicción en la métrica GMean WQL de GIFT-Eval, donde una barra más corta indica mejor rendimiento

Imagen: mistral.ai

Gráfico del anuncio: Puntuaciones de benchmarks para los modelos Timestral de diferentes tamaños de Mistral; las barras más bajas indican mejor precisión en la predicción

Imagen: mistral.ai

Correcciones y actualizaciones

• Corregido el 20 de octubre de 2026. La fuente indica que el modelo más grande (209M parámetros) ocupa el primer lugar en los tres principales benchmarks, no el más pequeño. Los modelos más pequeños sacrifican precisión por velocidad, por lo que no lideran los benchmarks.

Los datos clave

• Timestral es la primera familia de modelos base de series temporales de Mistral, disponible en cuatro tamaños de 5M a 209M parámetros
• El modelo de 209M ocupa el primer lugar en GIFT-Eval, TIME y fev-bench, usando solo dos tercios de los parámetros de los líderes anteriores
• Los modelos se ejecutan en CPUs estándar —la variante de 5M pronostica un día hacia adelante en 10 milisegundos
• Timestral admite predicciones multivariadas, entradas categóricas y covariables del futuro conocido
• El ajuste fino está disponible a través de Mistral Forge para adaptación por dominio

Fuentes

1. Timestral: Mistral