Timestral, t0, Tabby e Morpheus-2.0 são comparados no GIFT-Eval; topo da lista está embolado

O GIFT-Eval é um benchmark de avaliação de modelos de previsão de séries temporais de uso geral, mantido pela SalesforceAIResearch (repositório com licença Apache 2.0, em Jupyter Notebook). Quem assina a comparação é Sean Moran, no Towards Data Science. O benchmark é o projeto, o texto é uma análise de terceiro sobre ele. Moran comparou Tabby (Huawei), t0-gamma (The Forecasting Company), Timestral (Mistral) e Morpheus-2.0 (JPMorganChase), lançados entre 10 de setembro e 16 de outubro de 2026, e reexecutou os três com pesos públicos.

Os quatro seguem a mesma receita: normalização com média, desvio e asinh, divisão em patches, transformers e saída em quantis, com muito dado sintético no treino. A diferença central é como as séries trocam informação. Tabby trata cada série isolada. Timestral e t0 usam atenção entre séries em camadas selecionadas (6 de 24 e 8 de 24). Morpheus faz isso em todas as 9 camadas, com atenção separada em tempo e variáveis. No agregado, Timestral lidera em CRPS e Morpheus em MASE, com intervalos de confiança que incluem empate. As adaptações em tempo de inferência do t0-gamma explicam menos de um décimo do ganho sobre o t0-beta, o que aponta para dados e treino. Limitações: a TFC não explicou o que mudou no treino do gamma, e a Mistral não havia publicado relatório técnico até 30 de outubro de 2026.

Para quem opera pipelines de previsão, a diferença de décimos no ranking do GIFT-Eval pesa menos que licença, acesso aos pesos, suporte a covariáveis e desempenho nos seus próprios dados. Os pesos do Timestral, por exemplo, têm restrição para empresas com mais de 20 milhões de dólares de receita mensal. Vale rodar um backtest local antes de migrar.

Repositório oficial: SalesforceAIResearch/gift-eval