Mistral presenta Timestral: cómo evaluar pronósticos con incertidumbre

Una empresa puede conocer sus ventas de ayer y seguir sin saber cuánto debería comprar mañana. El problema cambia cuando necesita decidir con anticipación: cuánto inventario reservar, qué capacidad preparar o cuándo revisar un equipo. Para eso hacen falta pronósticos que permitan reconocer la incertidumbre y comprobar sus errores antes de convertirlos en acciones.

Mistral anunció Timestral el 15 de octubre de 2026 como una familia de modelos fundacionales para series temporales. La información técnica procede de su anuncio oficial.

Qué describe el anuncio

Especificaciones comunicadas por Mistral

Aspecto	Información del proveedor
Tamaños	5, 28, 123 y 209 millones de parámetros.
Contexto	32.768 pasos temporales.
Salida	Pronósticos probabilísticos con 21 cuantiles.
Entradas	Objetivos multivariantes y covariables pasadas o futuras conocidas.
Inferencia	Mistral indica que puede ejecutarse en CPU sin GPU.
Licencia	Etiqueta «Modified MIT»; sus condiciones requieren revisión del texto legal.

El reloj importa tanto como el dato

Una serie temporal contiene observaciones ordenadas: demanda por hora, consumo por cuarto de hora o temperatura por minuto. La separación entre puntos define qué significa mirar hacia atrás. Mil observaciones diarias representan un historial muy distinto de mil observaciones tomadas cada segundo.

Conviene distinguir dos cantidades. El contexto es la historia que se entrega al modelo; el horizonte es el tramo futuro que se quiere estimar. Un contexto largo puede ayudar a examinar ciclos, pero su longitud no establece cuántos pasos se podrán anticipar con precisión. El anuncio no fija un horizonte máximo general.

En un ejemplo aritmético, tres semanas de registros cada quince minutos contienen 2.016 puntos. Un día futuro contiene 96. Esas cifras describen una frecuencia y dos ventanas; todavía no dicen si faltan observaciones, cambió el proceso o existe una señal útil para pronosticar.

Qué aporta un modelo preentrenado

La idea de un modelo fundacional consiste en aprovechar patrones aprendidos previamente y evaluar si ayudan en una tarea nueva. En pronósticos, la pregunta es si ese aprendizaje resulta útil al recibir historias que tienen otras escalas, frecuencias o comportamientos. La respuesta requiere datos representativos del problema concreto.

Zero-shot significa evaluar sin un ajuste específico previo sobre la tarea de destino. Continúan siendo necesarias decisiones sobre limpieza, unidades, frecuencia y ventanas. Tampoco desaparece la comparación con soluciones sencillas: repetir el valor de la semana anterior puede ser una referencia exigente cuando el comportamiento es estable.

Mistral describe un entrenamiento principalmente sintético y adaptación mediante Mistral Forge. También plantea despliegue en infraestructura del cliente. El anuncio no detalla precios, regiones ni un servicio hospedado concreto; esas condiciones deben resolverse antes de presupuestar una implantación.

Las variables necesitan un papel claro

Para diseñar la entrada, separemos tres papeles. El objetivo es lo que queremos anticipar. Una covariable pasada aporta información disponible hasta el momento de la decisión. Una covariable futura conocida representa algo que ya estaba establecido entonces, como un feriado o un horario programado.

La palabra «conocida» necesita disciplina. Una promoción planificada puede conocerse antes de empezar; las ventas finales de esa promoción todavía no existen. Si se incluyen esas ventas futuras al evaluar el pronóstico, se entrega información que el sistema real no tendría. Ese error, llamado fuga de información, puede producir resultados demasiado favorables.

También importa la versión del dato. Un pronóstico meteorológico archivado antes de la decisión cumple un papel diferente del tiempo observado después. Para reproducir una evaluación, conviene conservar qué información estaba disponible y cuándo. Tener varias series relacionadas tampoco demuestra que una cause el comportamiento de otra.

Ejemplo hipotético: una promoción en cuatro tiendas

Imaginemos una cadena ficticia que debe comprar un producto para cuatro tiendas. Cuenta con ventas diarias, registros de disponibilidad y un calendario de promociones. No estamos describiendo una implementación de Timestral ni resultados obtenidos con el modelo: es un ejercicio para traducir un pronóstico a una decisión.

Para ilustrar la lectura de cuantiles, supongamos que un pronosticador entrega 80 unidades en el percentil 10, 100 en el 50 y 140 en el 90. Son cifras inventadas. La mediana ofrece una referencia central; los extremos muestran escenarios distintos. Su interpretación probabilística sólo resulta confiable si el modelo está bien calibrado.

Comprar 100 unidades podría ser razonable cuando reponer es rápido. Reservar una cantidad mayor podría tener sentido si perder una venta es costoso y el producto se conserva. Con productos perecibles, acumular inventario introduce otro costo. El modelo aporta información para esa elección; la política comercial y sus responsables definen la decisión.

Antes de evaluar, habría que resolver otro detalle: una tienda puede vender poco porque se quedó sin stock. Esas ventas observadas no representan necesariamente toda la demanda. Ignorar la disponibilidad podría enseñar al sistema a esperar menos ventas precisamente donde faltaba producto.

Leer los benchmarks con una pregunta concreta

Mistral atribuye a Timestral primeros lugares zero-shot en GIFT-Eval, TIME y fev-bench. También informa 10 y 140 milisegundos para los tamaños 5M y 209M en un ejemplo con CPU de ocho hilos. Son resultados del fabricante; el informe técnico completo queda pendiente en el anuncio.

Para una empresa, la pregunta útil es qué parte de su operación representa cada evaluación. Una buena cifra agregada puede ocultar errores en tiendas pequeñas, períodos de mayor demanda o productos nuevos. Y el tiempo del modelo es sólo una parte del recorrido: cargar datos, prepararlos y entregar el resultado también consume tiempo.

Cómo preparar una prueba que sirva para decidir

1. Definir la decisión. Precisar quién utilizará el pronóstico, con qué frecuencia y qué costo tiene quedarse corto o excederse.
2. Reconstruir el pasado. Separar entrenamiento y evaluación por fecha. Repetir cortes temporales usando únicamente lo que se sabía en cada momento.
3. Comparar alternativas. Incluir una referencia estacional sencilla y el procedimiento actual. Mantener las mismas ventanas y la misma información disponible.
4. Medir incertidumbre. Revisar si los intervalos cumplen su cobertura prevista y cuánto se amplían. Un intervalo enorme puede cubrir muchos casos y aportar poca orientación.
5. Observar segmentos. Examinar errores y costos por producto, ubicación o tipo de evento, además del promedio.
6. Ensayar la operación. Producir recomendaciones para revisión humana, registrar cambios de datos y definir cuándo suspender el uso del pronóstico.

La prueba debe empezar con una salida revisable y criterios de aceptación escritos. Después podrán evaluarse los artefactos disponibles, los requisitos del entorno y la licencia. Con esos elementos se podrá determinar si Timestral mejora una decisión real y bajo qué condiciones merece mantenerse.

Lleva tu caso a la comunidad

¿Qué decisión anticipada quieres mejorar con tus datos? Comparte la frecuencia de la serie, el horizonte que necesitas y el costo de equivocarte. Entra a la comunidad y trabaja el planteamiento de tu caso.