Kronos: 4,1 millones de parámetros entrenados con velas. Lo pequeño es el argumento.

En una semana en la que salieron un modelo científico de 753 mil millones de parámetros y un agente de escritorio de 397 mil millones de parámetros, el repositorio que sube más rápido en la categoría de finanzas del trending de GitHub tiene 4,1 millones de parámetros.
Kronos, de shiyu-coder, se presenta como el primer modelo fundacional de código abierto para velas financieras. Se entrenó con datos de más de 45 bolsas del mundo, tiene licencia MIT y fue aceptado en AAAI 2026. El repositorio tiene 47.000 estrellas y ganó unas 3.000 esta semana, lo que es raro para un proyecto cuyo último commit fue en abril.
Vale la pena pensar en esas estrellas, porque dicen algo sobre lo que la gente realmente quiere de la IA ahora y que los lanzamientos de frontera no ofrecen.
Qué hace
La premisa es que un gráfico de velas (K-line) es un lenguaje, y los lenguajes se pueden tokenizar.
Kronos funciona en dos etapas. Un tokenizer toma los datos continuos y multidimensionales de la vela —apertura, máximo, mínimo, cierre, y opcionalmente volumen e importe— y los cuantiza en tokens discretos jerárquicos. Después un Transformer decoder-only se preentrena de forma autoregresiva con esos tokens, exactamente como un modelo de lenguaje se preentrena con palabras.

Esa decisión de diseño es toda la apuesta. Un modelo fundacional general de series temporales suele tratar la serie como números y aprender a regresar el siguiente valor. Kronos trata una vela como un símbolo y aprende la distribución del siguiente símbolo. El segundo enfoque permite muestrear, es decir, obtener un abanico de futuros en lugar de una estimación puntual, y permite tomar prestado todo el instrumental que el modelado de lenguaje acumuló en ocho años.
El tokenizer es el que hace el trabajo difícil. Una vela tiene cinco números que no son independientes: el máximo siempre está por encima de la apertura, el cierre y el mínimo; el mínimo siempre por debajo; el volumen correlaciona con el rango de formas que cambian según el instrumento. Cuantizar eso en símbolos discretos sin destruir las relaciones es la parte que costó un paper.
El zoo de modelos es inusualmente honesto
Cuatro tamaños, tres de ellos abiertos.
Kronos-mini tiene 4,1 millones de parámetros con un contexto de 2.048 tokens. Kronos-small tiene 24,7 millones y Kronos-base 102,3 millones, ambos con contexto de 512 tokens y un tokenizer compartido. Kronos-large tiene 499,2 millones y no está publicado.
Publicar los modelos pequeños y retener el grande es una postura defendible y cada vez más común. Le da a los investigadores algo que reproducir y a los autores una ventaja comercial. También significa que el mejor checkpoint abierto disponible es un modelo de 102,3 millones de parámetros, más pequeño que la mayoría de los teclados de teléfono.
Las longitudes de contexto merecen atención porque acotan lo que el modelo puede ver. 512 barras no es mucho. En intervalos de cinco minutos son unas 42 horas, menos de dos jornadas. En velas diarias son unos dos años, lo cual es más razonable. Si tu estrategia depende de patrones que se despliegan a lo largo de un trimestre en velas horarias, este modelo no puede representarlos en una sola pasada.
Cómo ejecutarlo
Python 3.10 o superior, después pip install -r requirements.txt. Los pesos vienen de Hugging Face, bajo la organización NeoQuasar.
La interfaz son cuatro líneas.
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)
pred_df = predictor.predict(df=x_df, x_timestamp=x_timestamp,
y_timestamp=y_timestamp, pred_len=120)
Tu DataFrame necesita columnas open, high, low y close, con volume y amount opcionales. Pasas una Series de marcas de tiempo históricas y una Series de marcas de tiempo futuras, y el predictor se encarga de la normalización, el pronóstico y la desnormalización. Recorta automáticamente las entradas más largas que la ventana de contexto, lo cual es cómodo y también una forma silenciosa de perder información, así que revisa tu lookback.
En el repo hay scripts de fine-tuning, uno para la ruta estándar y otro que lee desde CSV, más una interfaz web y un conjunto de ejemplos. Es más completo que la mayoría de los lanzamientos de investigación, y en parte por eso sigue atrayendo estrellas.
Qué te dan los tokens jerárquicos
La palabra jerárquico en la descripción del tokenizer hace trabajo real, y es la parte que casi todo el mundo se salta.
Un tokenizer plano cuantizaría una vela en un símbolo de un codebook de unos miles. Eso comprime los cinco números en un índice, y las relaciones entre ellos se emborronan. Un tokenizer jerárquico divide el trabajo: un token grueso captura la forma general de la vela y su posición respecto al rango reciente, y tokens más finos capturan el residuo. A grandes rasgos, es la diferencia entre describir un acorde como la menor y describirlo como la menor con una cuarta aumentada en el bajo.
Lo que importa aguas abajo es la calidad de generación. Cuando el modelo muestrea un token grueso, ya se comprometió con una región del espacio de velas. Los tokens finos solo tienen que decidir dónde dentro de esa región. Las secuencias muestreadas se mantienen plausibles mucho más tiempo, y los horizontes lejanos plausibles son todo el sentido de un modelo de precios autoregresivo.
También hace reutilizable el tokenizer. Kronos-small y Kronos-base comparten un tokenizer, así que un equipo que hace fine-tuning del modelo pequeño y luego sube al base no tiene que rehacer su pipeline de datos.
La demo es una advertencia y una pista
La demo oficial en vivo pronostica el par BTC/USDT para las próximas 24 horas.
Es una elección extraña para un modelo entrenado con 45 bolsas, y es la correcta para una demo. La cripto cotiza de forma continua, así que nadie puede acusarte de elegir una sesión de mercado. También es la prueba más difícil posible, porque los precios cripto a 24 horas se parecen mucho a un paseo aleatorio y cualquier modelo que se vea bien una semana se verá mal la siguiente.
Eso es lo que hay que tener en cuenta sobre toda la categoría. Un modelo fundacional para series de precios puede ser genuinamente útil y aun así no decirte qué comprar. Las aplicaciones útiles están aguas abajo y son concretas: rellenar huecos en un feed de datos, generar escenarios plausibles para simulación de riesgo, detectar cuándo una serie empezó a comportarse distinto de su historia, marcar un segmento donde las formas de vela son estadísticamente improbables para ese instrumento. Ninguna requiere que el modelo prediga la dirección.
La aplicación que mata gente es la obvia. Si muestreas mil futuros de Kronos y el 60 por ciento deriva hacia arriba, eso es una afirmación sobre la distribución de entrenamiento del modelo, no sobre mañana. Los modelos autoregresivos son muy buenos continuando el patrón que han visto, y los mercados financieros tienen la costumbre de terminar los patrones justo cuando hay suficiente capital posicionado para que continúen.
Por qué un modelo pequeño está en tendencia ahora
Tres razones plausibles, y no son excluyentes.
La primera es el costo. Un modelo de 102,3 millones de parámetros corre en una laptop. Puedes iterar un pipeline de features en una tarde sin reservar GPU, y el bucle de retroalimentación de la investigación cuantitativa es el mismo problema que el de la generación de video: las herramientas lentas vuelven cautelosa a la gente.
La segunda es que la frontera se volvió rara. Modelos de billones de parámetros que necesitan un data center para servirse, agentes que operan tu escritorio, modelos del mundo que hacen streaming a 15 cuadros por segundo. Un modelo que responde una pregunta estrecha en tu propia máquina es un alivio.
La tercera es la licencia. MIT, pesos en Hugging Face, scripts de fine-tuning incluidos, sin exclusiones territoriales, sin umbral de ingresos. Para un equipo quant que quiere probar si la tokenización de velas funciona en su propio instrumento, eso elimina toda razón para no intentarlo.
Si el enfoque aguanta es una pregunta empírica que el repositorio no resuelve. Publica un zoo de modelos y una demo, y la aceptación en AAAI dice que el método pasó revisión por pares, lo cual no es lo mismo que decir que le gana a un modelo de gradient boosting bien ajustado en tus datos. La prueba honesta es una evaluación walk-forward en tu propio instrumento contra el baseline en el que ya confías, con costos de transacción incluidos.
Esa prueba cuesta un fin de semana. El modelo no cuesta nada. Esa proporción es la razón por la que subieron las estrellas.
Artículos relacionados
Una hoja de cálculo comunitaria de toques que apaga la publicidad de los Android chinos
No toca el sistema, no desbloquea nada, no flashea nada. Solo mueve los interruptores que los fabricantes ya dejaron a la vista. El precio es una lista que alguien tiene que seguir escribiendo.
GPT Image 2.6 mantuvo el precio por token y subió la factura
GPT Image 2.6 mantiene cada tarifa por token de 2.5 y aun así cuesta más por imagen, porque buena parte del trabajo ocurre ahora en tokens de salida. Once días después del lanzamiento, la estructura de precios dice más que el ranking.
Alguien reconstruyó IDM desde fuera y anotó lo que no tocó
Una reimplementación en Rust de Internet Download Manager promete 5 veces la velocidad y 86 idiomas. El documento más interesante es el párrafo que explica cómo se construyó sin copiar nada.
Rune es un framework de UI en Rust creado para que un agente pueda comprobar su propio trabajo
Rune renderiza sin interfaz, vuelca su árbol de elementos y acepta entrada programada, lo que da a un agente de código una señal diffeable que una captura nunca ofrece. El framework está en prelanzamiento y no acepta pull requests.