Prognostiker bekommen mehr KI-Werkzeuge, doch die Wettermodelle müssen Vertrauen erst verdienen

Der Anspruch ist eng und leicht zu prüfen. Im Blog von Liquid AI heißt es, d1 lese Text, Bilder oder beides in einem einzigen Vorwärtsdurchlauf. Für jede mögliche Antwort gebe das Modell eine Wahrscheinlichkeit zurück. Tokens werden keine erzeugt. Eine Textentscheidung dauere 200 bis 300 ms, so das Unternehmen. Es behauptet, d1 erreiche oder übertreffe GPT-6.1 Sol bei vier von sechs getesteten "realen Anwendungen".

Liquids eigene Beispiele sind überwiegend industriell und verwaltungstechnisch: Support-Tickets filtern, Dokumente ablegen, Leiterplatten aus vier Produktionslinien im öffentlichen Datensatz VisA inspizieren. Dort sortiert d1 gute und defekte Teile mit 85-97% Genauigkeit. Das Unternehmen sagt, das Modell sei für diese Aufgabe nie trainiert worden.

Warum ist das für eine Wetterredaktion relevant? Eine Prognose ist im Kern eine strukturierte Entscheidung unter Unsicherheit. Genau an das billige Ende dieser Kette drängen kleine Modelle derzeit. Ein Benchmark von d1 auf meteorologischen Daten ist nicht veröffentlicht, und Liquid AI erhebt keinen Anspruch darauf. Der Wetterbezug bleibt eine Hypothese, kein Ergebnis.

Was die Datenlage zur Prognose tatsächlich zeigt

Ein Prognoseergebnis sticht heraus. Es ist ein hybrides Modell, das einen von der Fahrzeugtechnik inspirierten Optimierer mit KI verbindet. Bioengineer.org berichtete, es verbessere Windkraftprognosen um 12,7%. Es erscheint nur als Schlagzeile in der Kontextliste, mehr als die Zahl haben wir nicht: keine Methode, kein Datensatz, keine Vergleichsbasis. Nach dieser Beweislage ist 12,7% eine Pressemitteilungszahl, bis jemand sie reproduziert.

Auch anderswo ist das Muster gleich: leistungsfähige Allzweckmodelle, dünne Belege im Fachgebiet. NASA-IMPACT veröffentlichte am 5. Oktober Fine-Tuning- und Inferenzcode für das NASA-IBM Lunar Foundation Model. Enthalten sind TerraTorch-Konfigurationen für Kratererkennung, IMP-Segmentierung und Eisprospektion. Es ist ein Foundation Model für die Mondoberflächenwissenschaft, nicht für Wetter. Aber es zeigt die Vorlage: ein vortrainierter Backbone plus aufgabenspezifische Heads, veröffentlicht mit Gewichten auf Hugging Face.

Der Kern liest die Anfrage, entscheidet, welche Spezialisten laufen, und setzt die Antwort aus deren Rückgaben zusammen.

Diese Zeile stammt aus der am 5. Oktober veröffentlichten Modellkarte von Interfaze 1.1 Lite. Sie beschreibt ein Mixture-of-Architectures-Design, das auf einer einzigen 80 GB GPU ohne externe Dienste läuft. Die Benchmark-Tabelle nennt GPQA Diamond mit 85,9, MMMU-Pro mit 73,2 und olmOCR-Bench mit 83,8. Nichts davon ist ein Wetter-Benchmark. Es sind die Zahlen, die Anbieter inzwischen standardmäßig veröffentlichen. Sie sagen fast nichts darüber aus, ob ein Modell ein 10-km-Raster verarbeiten kann.

Das Vertrauensproblem darunter

Forscher der UC Riverside berichteten am 23. September, dass Zuversicht und Korrektheit in großen Sprachmodellen aus unterschiedlichen internen Merkmalen entstehen können. Het Patel, Doktorand und Erstautor, sagte, die Grundannahme des Feldes sei, dass Zuversicht der Korrektheit folge, doch "wir sehen oft die gut dokumentierten Gegenbeispiele". Das Team untersuchte Metas Llama-3.1-8B mit 8.000.000.000 Parametern und Googles Gemma-2-9B mit 9.000.000.000 Parametern mithilfe von Sparse Autoencodern. Es fand heraus, dass sich ausgewählte Merkmale unterdrücken ließen, ohne das ganze Modell neu zu trainieren.

Für jeden, der ein Sprachmodell an eine Prognosekette anschließt, ist das die praktische Warnung. Ein Modell, das bei einer Sturmzugbahn sicher klingt, hat damit noch nicht recht. Patel verglich das Vorgehen mit "Drehknöpfen" im Modell, um zu sehen, wie sich das Verhalten änderte. Die Unterdrückung von Merkmalen, die rein an Unsicherheit gekoppelt waren, senkte die Genauigkeit stark.

Die Effizienzversprechen sind real, aber davon getrennt. Reflection kündigte am 5. Oktober Beam an. Es ist ein sparse Mixture-of-Experts-Modell mit 501.000.000.000 Parametern, von denen 23.000.000.000 aktiv sind. Trainiert wurde es mit über 100.000.000 RL-Rollouts auf 10.500 NVIDIA GB300 GPUs über vier Wochen. Reflection sagt, Beam sei konkurrenzfähig zu GLM 5.2 und brauche dabei 3 bis 4 Mal weniger Inferenzrechenleistung. Die Gewichte sind noch nicht draußen: Das Unternehmen sagt, das abschließende Red-Teaming laufe, die Veröffentlichung komme später in diesem Monat.

Auch die Werkzeuge für kleine Modelle bewegen sich. Jeff-Code, ein am 5. Oktober veröffentlichter Fork von Pi, stellt ein Entscheidungsmodell mit 800.000.000 Parametern neben Qwen 3.8-27B, das 27.000.000.000 Parameter hat. Es meldet Aufgaben, die in 0,68 Mal der Basiszeit laufen, bei einer Bestehensquote von 62,4% gegenüber 62,8% über 1.242 gepaarte Aufgaben. Das ist ein Geschwindigkeitsergebnis, kein Genauigkeitsergebnis. Der Autor räumt offen ein, dass es bei etwa 5% der Aufgaben mehr als 30 Minuten länger läuft.

Die ehrliche Lesart der Nachrichten dieser Woche: Die Infrastruktur für billige, schnelle strukturierte Entscheidungen kommt schneller als die Belege, dass sie auf physikalischen Systemen funktioniert. Die Wettervorhersage wird diese Werkzeuge bekommen. Dass sie ihnen vertrauen sollte, ist noch nicht gezeigt.