Con 209 millones de parámetros, un modelo que corre en CPU encabeza, según los resultados que publica Mistral, los tres rankings públicos de previsión de series temporales: GIFT-Eval, TIME y fev-bench. Es Timestral, la primera familia de modelos de este tipo de Mistral, publicada en octubre de 2026 con pesos en Hugging Face y código de inferencia bajo Apache 2.0. Para quien vive entre métricas de CPU, latencias y colas, es un candidato serio a sustituir el predict_linear de toda la vida en la planificación de capacidad. Pero su licencia deja fuera a las empresas que facturan más de 20 millones de dólares al mes.
Qué trae Timestral
Son cuatro modelos con la misma arquitectura y receta de entrenamiento: 5M, 28M, 123M y 209M parámetros. Todos hacen previsión zero-shot, es decir, sin entrenar con tus datos: les pasas el histórico y devuelven la previsión.
| Característica | Timestral |
|---|---|
| Tamaños | 5M, 28M, 123M y 209M parámetros |
| Contexto máximo | 32.768 pasos de histórico |
| Horizonte en una pasada | 1.024 pasos (más largo, por bloques) |
| Salida | 21 cuantiles, del 0,01 al 0,99 |
| Entradas | Una o varias series, covariables pasadas y futuras conocidas, numéricas o categóricas |
| Inferencia | PyTorch en CPU o GPU |
Por dentro es un transformer que trabaja con parches de 32 pasos y combina atención en el eje temporal y entre variables. Lo interesante para producción está en dos detalles. El primero, que no da un único número sino una distribución: 21 cuantiles que no se cruzan, así que la banda entre el 1 % y el 99 % sale directamente del modelo. El segundo, que las covariables leen el futuro solo si las declaras como "conocidas": un calendario de despliegues o de campañas puede condicionar la previsión sin que el modelo intente predecirlo.
La diferencia entre tamaños es pequeña. En GIFT-Eval, el MASE (error medio escalado, menos es mejor) pasa de 0,705 con el de 5M a 0,678 con el de 28M y 0,658 con el de 209M. El de 123M se queda en 0,659, prácticamente igual que el mayor con un 40 % menos de parámetros.
Cómo probarlo
El paquete solo depende de PyTorch, NumPy, safetensors y huggingface_hub. La instalación del README pide Python 3.10 o superior y torch 2.4 o superior:
pip install git+https://github.com/mistralai/timestral.gitO, para usar las versiones fijadas en su uv.lock:
git clone https://github.com/mistralai/timestral.git && cd timestral
uv sync --frozen
source .venv/bin/activateLa llamada mínima carga el modelo desde Hugging Face y pide 96 pasos de previsión:
import numpy as np
import torch
from timestral import TimestralForecaster
model = TimestralForecaster.from_pretrained(
"mistralai/Timestral-209M",
device="cuda" if torch.cuda.is_available() else "cpu",
)
context = np.random.default_rng(42).standard_normal(1000).cumsum()
forecast = model.forecast(context, prediction_length=96)
median = forecast.median
lower, upper = forecast.quantile(0.1), forecast.quantile(0.9)Para varias series a la vez, el contexto es un array (series, variables, tiempo) y los huecos se marcan con NaN, algo habitual en métricas con scrapes perdidos.
Timestral frente a Chronos-2 y TimesFM 3.0
Las dos referencias del sector son Chronos-2, de Amazon, y TimesFM 3.0, de Google. Mistral publica la comparación con ambas en su ficha, y los datos de licencia y contexto están en las fichas de cada modelo:
| Timestral-209M | TimesFM 3.0 | Chronos-2 | |
|---|---|---|---|
| GIFT-Eval, MASE ↓ | 0,658 | 0,667 | 0,698 |
| GIFT-Eval, CRPS ↓ | 0,446 | 0,456 | 0,485 |
| fev-bench, skill score MASE ↑ | 39,49 | 37,82 | 35,50 |
| Parámetros | 209M (hay de 5M a 123M) | — | 120M |
| Contexto máximo | 32.768 pasos | — | 8.192 pasos |
| Licencia de los pesos | MIT modificada, con tope de facturación | No comercial | Apache 2.0 |
Frente a TimesFM 3.0, la ventaja de precisión es mínima (un 1,3 % menos de MASE en GIFT-Eval), pero la licencia de Google cierra la puerta a cualquier uso comercial, así que para la mayoría de equipos ni siquiera es una opción en producción. La comparación que de verdad importa es con Chronos-2: Timestral reduce el error de GIFT-Eval un 5,7 % y admite cuatro veces más histórico, lo que se nota con datos horarios: 8.192 horas son unos 11 meses, y 32.768 dan para más de tres años y medio de estacionalidad.
Chronos-2 sigue teniendo dos bazas. Su licencia Apache 2.0 no pone condiciones a nadie, y está integrado en AutoGluon. Timestral acaba de salir y aún no tiene informe técnico.
Dónde encaja en un equipo de SRE
Lo más habitual hoy para prever capacidad es una regresión lineal sobre las últimas semanas o reglas fijas de umbral. Un modelo zero-shot con cuantiles cambia dos cosas.
En planificación de capacidad, la pregunta deja de ser "¿cuándo llego al 85 % de CPU?" y pasa a ser "¿qué probabilidad hay de llegar la semana que viene?". Si el cuantil 0,99 de la previsión cruza el umbral, tienes margen para escalar antes; si ni el 0,9 se acerca, puedes retrasar la compra de capacidad reservada.
En detección de anomalías, la banda entre los cuantiles 0,01 y 0,99 sirve de umbral dinámico que ya incorpora la estacionalidad diaria y semanal, sin mantener a mano una regla por servicio. Y con las covariables futuras conocidas, un pico previsto por una campaña o por un cierre de mes no dispara la alerta.
Los modelos pequeños hacen viable ejecutarlo como un job periódico en CPU sobre cientos de series, sin pedir una GPU al equipo de plataforma.
La letra pequeña: la licencia
Aquí está la cautela que importa. El código del paquete timestral es Apache 2.0, pero los pesos se distribuyen con una "Modified MIT License" que añade una condición: no puedes ejercer ningún derecho de la licencia si la facturación mensual consolidada de tu empresa, o la de tu empleador, superó los 20 millones de dólares el mes anterior. Eso son unos 240 millones al año, y la restricción alcanza también a los modelos derivados y a las versiones que publiquen terceros. Por encima de esa cifra, la vía es pedir una licencia comercial a Mistral o usar sus servicios alojados.
Para una startup o una empresa mediana es una licencia permisiva en la práctica. Para un ingeniero de una gran empresa, probarlo en el portátil con métricas de producción ya es un uso que la licencia no cubre.
Veredicto
Si tu empresa está por debajo del umbral de facturación, Timestral es hoy la mejor opción abierta para prever métricas: más preciso que Chronos-2, con más histórico y con tamaños que caben en un job de CPU. Empezaría por el de 123M, que rinde casi igual que el mayor.
Si estás por encima, Chronos-2 sigue siendo la elección por defecto: un 5,7 % más de error en GIFT-Eval es un precio razonable por una licencia Apache 2.0 sin condiciones. TimesFM 3.0, con licencia no comercial, se queda para investigación.
Fuentes
- Timestral-209M, ficha del modelo (Mistral AI, Hugging Face)
- Licencia de los pesos de Timestral (Mistral AI)
- mistralai/timestral (GitHub)
- Chronos-2, ficha del modelo (Amazon, Hugging Face)
- TimesFM 3.0, ficha del modelo (Google, Hugging Face)