Google DeepMind publie en open source ses modèles WeatherNext pour les cyclones
Selon DeepMind, le modèle d’IA ajoute plus de 24 heures d’avance aux prévisions des cyclones.
Pourquoi c'est important
Cette publication étend les prévisions météorologiques par IA des prévisions mondiales à la prévision des cyclones à fort impact, où un délai supplémentaire peut peser sur la planification des secours. L’ouverture des poids et du code donne aux chercheurs et aux agences météorologiques un moyen de tester, d’adapter et d’examiner cette approche.
Points clés
- 1.WeatherNext Cyclones ajoute plus de 24 heures d’avance aux prévisions, selon DeepMind.
- 2.Google publie le code et les poids des modèles WeatherNext 2 et Cyclones.
- 3.Un modèle compact WeatherNext 2-mini peut fonctionner dans un notebook Colab gratuit.
Google DeepMind affirme que son modèle WeatherNext Cyclones atteint une précision de pointe pour prévoir la trajectoire, l’intensité et la structure des vents des cyclones, avec des prévisions à trois jours aussi précises que celles que les modèles précédents fournissaient à deux jours. Ces travaux, publiés dans Nature, ont été menés avec Google Research et des prévisionnistes, dont le National Hurricane Center, le CIRA, le UK Met Office et d’autres agences météorologiques. Google publie en open source WeatherNext 2 et WeatherNext Cyclones, avec le code et les poids des modèles, et lance une version compacte, WeatherNext 2-mini, capable de fonctionner dans un notebook Colab public gratuit.
⚡ À tester aujourd'hui
Examiner les modèles open source WeatherNext et utiliser WeatherNext 2-mini dans Colab pour une première évaluation avant tout usage opérationnel.
Sources et articles originaux
Ce brief résume et renvoie vers la couverture des médias ci-dessous.
Ce brief vous a plu ? Recevez le prochain par e-mail.
Plus dans Recherche
L’équipe MiLMMT publie des modèles de traduction sans référence
MiLMMT-46-v1.0 utilise GRPO et l’interpolation de checkpoints pour améliorer la traduction multilingue ouverte.
DistilVDR compresse la recherche visuelle de documents
Ce moteur de recherche à 524 millions de paramètres utilise une distillation bilatérale à partir d’un modèle enseignant vision-langage de 8 milliards de paramètres.
Des chercheurs proposent Power Law Graph Attention
PLGA généralise l’attention par produit scalaire mis à l’échelle et rapporte un effondrement de l’inférence sous invariance exacte.