Mistral lanza Timestral: un modelo de 209M de parámetros que lidera tres benchmarks

Mistral AI ha lanzado Timestral, su primera línea de modelos fundacionales para la predicción de series temporales. La versión más grande tiene solo 209M de parámetros, pero según los resultados de Mistral ocupa el primer puesto en los tres principales benchmarks públicos: GIFT-Eval, TIME y fev-bench. El anterior líder era aproximadamente un tercio más grande. Entre los modelos preentrenados zero-shot, Timestral encabeza las cinco métricas, y lo hace con un único checkpoint, sin ensembling.

Para qué sirven los modelos fundacionales de series temporales

Todas las empresas manejan series temporales: telemetría de sensores, métricas de observabilidad, flujos financieros, existencias en almacén. Sobre ellas se construye la planificación de capacidad, de energía, de cadenas de suministro y de mantenimiento de equipos. Los clásicos ARIMA y la regresión lineal se entrenan con el historial de una sola serie y no saben nada de las series vecinas. Redes neuronales como PatchTST captan patrones no lineales entre series relacionadas, pero suelen entrenarse desde cero para cada conjunto de datos, y lo aprendido no se transfiere a nuevos ámbitos.

Timestral recurre a un enfoque conocido de los modelos de lenguaje: preentrenamiento con un corpus amplio y heterogéneo, tras el cual el modelo pronostica datos que no ha visto antes. Esto resulta útil cuando hay poco historial. Mistral señala tres ingredientes de su receta: preentrenamiento sintético, atención que tiene en cuenta las covariables y entrenamiento con contexto largo.

Tamaños, velocidad y comparación con la competencia

La familia consta de cuatro modelos con una arquitectura común y una misma receta de entrenamiento. Según Mistral, cada uno se sitúa en la frontera de Pareto de «precisión frente a tamaño»: a su escala, no hay ningún modelo público mejor.

• Tamaños: 5M, 28M, 123M y 209M de parámetros.
• El de 209M supera a TimesFM-3 y Falcon-2.0 con menos parámetros.
• El de 28M supera a Chronos-2, que es aproximadamente cuatro veces más grande, en GIFT-Eval y TIME.
• El de 123M se queda solo un 0,2% por debajo del de 209M en puntuación, pero funciona con tres cuartas partes de la latencia.
• El de 28M es cinco veces más rápido que el modelo más grande.
• Tamaño de la muestra en las tablas: 83 entradas comparables en GIFT-Eval, 35 en TIME y 37 en fev-bench.

No se necesita GPU para la inferencia. En una CPU de servidor estándar con 8 hilos, un pronóstico a un día a partir de tres semanas de historial a intervalos de 15 minutos tarda 10 ms con el modelo de 5M y 140 ms con el de 209M. Los resultados se han enviado a las tablas de clasificación de GIFT-Eval y TIME.

Qué sabe hacer en la práctica

Mistral muestra sus capacidades con el ejemplo de una planta industrial con miles de sensores. El modelo pronostica conjuntamente las series relacionadas: la vibración, la temperatura y la presión de una bomba dependen unas de otras, y Timestral aprovecha esas relaciones en lugar de tratar cada sensor por separado. El pronóstico es probabilístico, es decir, el modelo devuelve un conjunto de cuantiles. El equipo ve la amplitud de la incertidumbre, ajusta a ella los umbrales de alarma y planifica el mantenimiento en función del riesgo, no de una única cifra. El modelo acepta tanto covariables conocidas solo en el pasado como covariables conocidas de antemano, por ejemplo el calendario de producción. También admite covariables categóricas.

A quién le sirve y cómo aplicarlo

Para los equipos cuyos pronósticos viven como un conjunto de scripts en ARIMA o de redes neuronales propias, Timestral ofrece una línea base lista para usar y sin entrenamiento: basta con aportar el historial y obtener los cuantiles. Que no requiera GPU significa que el modelo puede ejecutarse junto a los datos en servidores corrientes y que, con miles de series, se puede elegir entre el de 28M por velocidad y el de 209M por precisión. Para dominios específicos, Mistral ofrece ajuste fino a través de Forge.

Antes de implantarlo, conviene ejecutar el modelo con datos históricos propios y compararlo con la solución actual: los benchmarks públicos muestran el nivel general, pero no garantizan el resultado en sensores o series financieras concretas.