Un preprint publicado en arXiv el 9 de octubre por un investigador de Polytechnique Montréal analizó si la predicción de series temporales requiere la misma profundidad de cálculo para cada entrada. El estudio evaluó máscaras estructuradas que omiten bloques Transformer durante la inferencia en los modelos preentrenados Chronos-Bolt y TimesFM 2.5. Las máscaras se eligieron únicamente con ventanas de calibración y luego se probaron en 1.088 ventanas reservadas de los conjuntos ETTh1, Traffic, Weather y Exchange.

El autor informa de que, con un nivel moderado de omisión, ejecutar siete de los 11 bloques candidatos de Chronos-Bolt y 16 de los 20 de TimesFM apenas cambió la calidad relativa media de predicción entre los conjuntos, mientras redujo la latencia mediana por lote de un elemento en A100 un 11,2 % y un 13,4 %, respectivamente. Una omisión más agresiva perjudicó sustancialmente las predicciones de Traffic y Weather. La mejor máscara variaba según la ventana, pero el estudio señala expresamente que no ofrece un método listo para desplegar que la elija de forma fiable para cada nueva entrada. Los hallazgos se limitan a dos modelos, cuatro conjuntos y el equipo probado; el trabajo es un preprint aún no revisado por pares.