Mistral AI lanza Timestral, una familia de modelos de previsión de series temporales

Mistral AI presentó Timestral el 15 de octubre de 2026, una nueva familia de modelos de base para series temporales diseñada para generar previsiones a partir de datos empresariales como telemetría de sensores, consumo energético y flujos financieros.

Qué anunció Mistral

Timestral llega en cuatro tamaños: 5 millones, 28 millones, 123 millones y 209 millones de parámetros. Los cuatro comparten la misma arquitectura y la misma receta de entrenamiento, según Mistral. La compañía asegura que su modelo más grande ocupa el primer puesto en las tres referencias públicas que considera principales en el sector —GIFT-Eval, TIME y fev-bench—, superando el estado del arte anterior con aproximadamente dos tercios de los parámetros. Mistral afirma que estos resultados provienen de un único checkpoint, sin ensamblado de modelos, y que ha enviado sus resultados a las clasificaciones de GIFT-Eval y TIME.

Mistral indica que los modelos generan previsiones probabilísticas y multivariantes, y que pueden incorporar covariables tanto pasadas como futuras conocidas, como calendarios de producción o previsiones meteorológicas, para mejorar la calidad de la predicción. La compañía también señala que los modelos pueden manejar entradas categóricas, como el estado operativo de una máquina, sin convertirlas en números que impondrían un orden artificial.

Detalles técnicos

Según Mistral, Timestral no requiere GPU para la inferencia. La compañía afirma que, en un servidor estándar con CPU de 8 hilos, prever un día por adelantado a partir de tres semanas de historial con intervalos de 15 minutos tarda 10 milisegundos con el modelo de 5M y 140 milisegundos con el de 209M. Mistral sostiene que el modelo de 28M es cinco veces más rápido que el de 209M, y que el modelo de 123M se queda a un 0,2% de la puntuación de referencia del modelo de 209M con tres cuartos de su latencia.

Mistral atribuye estos resultados a varias contribuciones técnicas que, según indica, se detallarán en un informe técnico próximo. Entre ellas figura un método que la compañía denomina Decoupled Horizon Forecasting (previsión de horizonte desacoplado), que mantiene el historial completo en la secuencia de entrenamiento mientras tokens de previsión aprendidos leen de ese historial, en lugar de enmascarar los valores de previsión como datos faltantes. La compañía también describe un mecanismo de atención sensible a las covariables que mantiene visibles las covariables futuras conocidas a lo largo de toda la ventana de entrada, al tiempo que restringe el flujo de información de las covariables hacia los objetivos, y afirma que los modelos se entrenaron principalmente con datos sintéticos generados para imitar patrones temporales realistas, antes de que una segunda etapa de entrenamiento incorporara datos reales con una ventana de contexto más amplia.

Mistral indica que la longitud de contexto de los modelos es de 32.768 pasos temporales, con salidas presentadas como previsiones probabilísticas distribuidas en 21 cuantiles. La compañía señala que los modelos se publican bajo una licencia MIT modificada y que pueden desplegarse en instalaciones propias, en una VPC o en entornos aislados sin conexión.

Disponibilidad y adaptación

Mistral afirma que Timestral está disponible a través de Mistral Forge, el mismo canal de entrenamiento que la compañía utiliza para sus modelos de lenguaje, lo que permite a los clientes ajustar los modelos con datos propios, añadir covariables específicas de su sector y controlar la combinación de datos de entrenamiento. La compañía indica que este canal puede desplegarse en el propio hardware del cliente, incluidos entornos aislados sin conexión.

Mistral ha publicado un repositorio en GitHub para que los usuarios puedan ejecutar Timestral con sus propios datos, y la compañía señala que próximamente publicará un informe técnico con los resultados completos.

Fuente: Mistral AI, «Introducing Timestral», publicado el 15 de octubre de 2026.