Detectar anomalías en datos de series temporales es crucial en varios dominios, incluyendo la salud, las finanzas y la automoción. Los Modelos de Lenguaje Grande (LLMs) han mostrado recientemente resultados prometedores al aprovechar un robusto preentrenamiento del modelo. Sin embargo, ajustar LLMs con varios miles de millones de parámetros requiere un gran número de muestras de entrenamiento y costos de entrenamiento significativos. Por otro lado, los LLMs en un entorno de aprendizaje cero requieren costos computacionales generales más bajos, pero pueden quedarse cortos en el manejo de anomalías complejas. En este artículo, exploramos el uso de modelos de lenguaje ligeros para la Detección de Anomalías en Series Temporales, ya sea en modo cero o mediante su ajuste fino. Específicamente, aprovechamos modelos ligeros que fueron diseñados originalmente para la predicción de series temporales, evaluándolos para la detección de anomalías en comparación con LLMs de código abierto y propietarios en diferentes conjuntos de datos. Nuestros experimentos demuestran que los modelos ligeros (<1 mil millones de parámetros) proporcionan una solución rentable, ya que logran un rendimiento que es competitivo y a veces incluso superior al de modelos más grandes (>70 mil millones).