Saltar al contenido
Fuentes. Contexto. Criterio.SEÑALIA SIN RUIDOBoletín gratis
martes, 17 de noviembre de 2026
ModelosNoticia · 2 min de lecturaAnuncio de la empresaConfianza media

Mistral lanza Timestral, su familia de modelos de pronóstico para series temporales de 5 a 209 millones de parámetros

La empresa afirma que su modelo de 209 M encabezó los tres benchmarks públicos de referencia superando a modelos de mayor tamaño y funcionando en CPU.

Redacción automática SEÑALResponsable editorial: Sergio SallaveraEl hecho: 15 oct 2026

Mistral ha publicado Timestral, su primera familia de modelos fundacionales de series temporales, en cuatro tamaños de 5 a 209 millones de parámetros. La compañía afirma que el mayor encabeza los tres principales benchmarks públicos del campo con dos tercios de los parámetros del anterior estado del arte y sin necesidad de GPU en inferencia.

Qué ha ocurrido

Mistral presentó el 15 de octubre de 2026 Timestral, una familia de cuatro modelos fundacionales para pronóstico de series temporales (5M, 28M, 123M y 209M de parámetros) que emite pronósticos probabilistas multivariante con 21 cuantiles y ventana de contexto de 32.768 pasos temporales. Según el anuncio oficial, el modelo de 209 M se sitúa primero en los tres benchmarks públicos de referencia del campo —GIFT-Eval, TIME y fev-bench— entre modelos preentrenados de cero disparo, «con solo dos tercios de los parámetros del anterior estado del arte»; los resultados se han enviado a las clasificaciones de GIFT-Eval y TIME. La empresa detalla tres piezas técnicas: un entrenamiento sintético primero (la mayoría de los datos de preentrenamiento son sintéticos), una atención consciente de covariables que distingue objetivo, covariable pasada y covariable futura conocida sin fugas, y un esquema de dos etapas con contexto de 8192 pasos ampliado cuatro veces en posentrenamiento. Mistral afirma que la inferencia no necesita GPU: 10 ms el modelo de 5 M y 140 ms el de 209 M en un CPU de servidor de 8 hilos. Los pesos se publican bajo licencia MIT modificada y el ajuste fino se ofrece vía Mistral Forge, incluido en entornos aislados de red.

Por qué importa

Las series temporales son el tipo de dato corporativo más extendido —telemetría de sensores, métricas de observabilidad, demanda, riesgo— y su pronóstico alimenta decisiones de capacidad, energía, cadena de suministro y mantenimiento. Un modelo pequeño, probabilista y ejecutable en CPU puede embeberse en las canalizaciones existentes sin infraestructura nueva de GPUs, y la opción de reentrenar con datos propios en entorno aislado responde a la objeción clásica de datos sensibles. La jugada amplía además el territorio de Mistral: de los modelos de lenguaje a los modelos numéricos, un nicho hasta ahora dominado por Google (TimesFM), Amazon (Chronos) y Salesforce (Moirai).

Qué cambió

AntesEl estado del arte en pronóstico fundacional de series temporales estaba en modelos grandes de Google, Amazon y Salesforce, con GPUs habituales en la cadena.
AhoraMistral ofrece una familia de 5 a 209 M de parámetros que, según sus medidas, iguala o supera a modelos mayores corriendo en CPU y con licencia permisiva.
ConsecuenciaSi los números se confirman, el pronóstico avanzado se acerca a equipos sin infraestructura GPU y Mistral abre un frente nuevo fuera del terreno del lenguaje.

Qué sabemos · qué no

Confirmado

  • El anuncio oficial describe la arquitectura, los tamaños, la licencia (MIT modificada), el repositorio público en GitHub y la disponibilidad vía Mistral Forge.
  • Los reclamos de primer puesto en GIFT-Eval (83 entradas comparables), TIME (35) y fev-bench (37) proceden de la propia Mistral, con resultados enviados a dos de las clasificaciones; las tablas publicadas están en el post.
  • Mistral afirma que su modelo de 28 M supera a Chronos-2 (unas cuatro veces mayor) en GIFT-Eval y TIME, y que el de 209 M supera a TimesFM-3 y Falcon-2.0 con menos parámetros.
  • La familia tiene cuatro tamaños (5M, 28M, 123M, 209M), contexto de 32.768 pasos y salida de 21 cuantiles, según el post oficial.
  • La mayoría del preentrenamiento es con datos sintéticos, con un posentrenamiento en mezcla de datos reales y sintéticos.
  • La licencia declarada es MIT modificada y hay repositorio público en GitHub.
  • La inferencia declarada en CPU de servidor es de 10 ms (5M) y 140 ms (209M) para un día hacia delante con tres semanas de historial de 15 minutos.

Todavía no

  • Los benchmarks independientes aún no han validado los resultados; el informe técnico completo se publicará más adelante, según la propia Mistral.
  • Los términos exactos de la «MIT modificada» y si los pesos estarán alojados abiertamente o solo vía la plataforma Forge.
  • El rendimiento real en datos de producción de terceros, que la propia empresa reconoce que pueden diferir de los benchmarks.
  • La validación independiente de los primeros puestos en GIFT-Eval, TIME y fev-bench.
  • Dónde se alojarán exactamente los pesos y qué cláusulas añade la licencia MIT modificada.
  • El contenido del informe técnico completo, anunciado pero no publicado.

La misma claridad, en tu correo.

IA HOY, gratis de lunes a viernes, con fuentes y contexto.

Para ir al grano técnico

Qué vigilamos ahora

La publicación del informe técnico prometido, la aparición de los resultados en las clasificaciones de GIFT-Eval y TIME, y si los pesos quedan realmente descargables fuera del ecosistema de pago de Mistral.

El informe técnico prometido y las primeras réplicas de los otros laboratorios de TSFM (Google, Amazon, Salesforce) en la liga de modelos pequeños.

Fuentes

Naturaleza de la afirmación principal: Anuncio de la empresa. Información respaldada por fuentes, con aspectos pendientes de contraste.

  1. Mistral AI News — Introducing Timestral · nivel 1 · primaria · consultada 16 oct 2026

IA HOY · de lunes a viernes

La misma claridad,
cada día, en tu correo.

Una noticia principal, una selección breve y el contexto o las dudas que conviene seguir. Con fuentes y sin rellenar cupos.

Ver una edición de ejemplo

Para seguir leyendo