Google DeepMind publica como código abierto sus modelos WeatherNext para ciclones
El modelo de IA añade más de 24 horas de anticipación a los pronósticos de ciclones, según DeepMind.
Por qué importa
El lanzamiento lleva la predicción meteorológica con IA más allá de los pronósticos globales y la extiende a la previsión de ciclones de alto impacto, donde contar con más tiempo de anticipación puede influir en la planificación de emergencias. Los pesos y el código abiertos ofrecen a investigadores y agencias meteorológicas una vía para probar, adaptar y examinar el enfoque.
Puntos clave
- 1.WeatherNext Cyclones añade más de 24 horas de anticipación en los pronósticos, según DeepMind.
- 2.Google publica el código y los pesos de los modelos WeatherNext 2 y Cyclones.
- 3.Un modelo compacto, WeatherNext 2-mini, puede ejecutarse en un notebook gratuito de Colab.
Google DeepMind afirmó que su modelo WeatherNext Cyclones logró una precisión de vanguardia al pronosticar la trayectoria, la intensidad y la estructura de los vientos de los ciclones, con previsiones a tres días que igualan la precisión que modelos anteriores ofrecían a dos días. El trabajo, publicado en Nature, fue desarrollado junto con Google Research y meteorólogos de entidades como el National Hurricane Center, CIRA, el UK Met Office y otros organismos meteorológicos. Google está publicando como código abierto WeatherNext 2 y WeatherNext Cyclones, incluidos el código y los pesos de los modelos, y lanza una versión compacta, WeatherNext 2-mini, que puede ejecutarse en un notebook público y gratuito de Colab.
⚡ Pruébalo hoy
Revisar los modelos WeatherNext de código abierto y usar WeatherNext 2-mini en Colab para una evaluación inicial antes de emplearlos en operaciones.
Fuentes y cobertura original
Este resumen sintetiza y enlaza la cobertura de los medios siguientes.
¿Te gustó este resumen? Recibe el próximo en tu correo.
Más en Investigación
El equipo de MiLMMT lanza modelos de traducción sin referencias
MiLMMT-46-v1.0 usa GRPO e interpolación de checkpoints para mejorar la traducción multilingüe abierta.
DistilVDR comprime la recuperación de documentos visuales
El recuperador de 524 millones de parámetros usa destilación bilateral a partir de un modelo docente de visión-lenguaje de 8B.
Investigadores proponen Power Law Graph Attention
PLGA generaliza la atención de producto punto escalado y reporta colapso de inferencia bajo invariancia exacta.