Prognoziści dostają więcej narzędzi AI, ale modele pogodowe wciąż muszą zdobyć zaufanie

Obietnica jest wąska i łatwa do sprawdzenia. Blog Liquid AI podaje, że d1 czyta tekst, obrazy albo jedno i drugie w jednym przebiegu w przód. Dla każdej możliwej odpowiedzi zwraca prawdopodobieństwo. Nie generuje tokenów. Decyzja tekstowa zajmuje od 200 do 300 ms, twierdzi firma. Utrzymuje też, że d1 dorównuje GPT-6.1 Sol albo go przewyższa w czterech z sześciu „prawdziwych zastosowań”, które testowała.

Przykłady samego Liquid są głównie przemysłowe i biurowe: filtrowanie zgłoszeń do pomocy technicznej, porządkowanie dokumentów, kontrola płytek drukowanych z czterech linii produkcyjnych na publicznym zbiorze VisA. Tam d1 sortuje dobre i wadliwe części z dokładnością 85-97%. Firma twierdzi, że model nigdy nie był trenowany do tego zadania.

Dlaczego to ważne dla redakcji pogodowej? Prognoza to w gruncie rzeczy ustrukturyzowana decyzja przy niepewności. Tani koniec tego łańcucha to miejsce, w które pcha się małe modele. Nie opublikowano żadnego testu d1 na danych meteorologicznych i Liquid AI takiego nie zapowiada. Wątek pogodowy traktujmy jako hipotezę, nie wynik.

Co zapis faktycznie pokazuje o prognozowaniu

Jeden wynik prognostyczny się wyróżnia. To model hybrydowy, który łączy optymalizator wzorowany na jeździe z AI. Bioengineer.org podał, że poprawia prognozy energii wiatrowej o 12,7%. Występuje tylko jako nagłówek na liście kontekstu, więc ta liczba to wszystko, co mamy: bez metody, bez zbioru danych, bez punktu odniesienia. Na takiej podstawie 12,7% pozostaje liczbą z komunikatu prasowego, dopóki ktoś jej nie odtworzy.

Gdzie indziej wzorzec jest ten sam: sprawne modele ogólne, cienkie dowody dziedzinowe. NASA-IMPACT opublikował 5 października kod dostrajania i wnioskowania dla NASA-IBM Lunar Foundation Model. Znajdują się w nim konfiguracje TerraTorch do wykrywania kraterów, segmentacji IMP i oceny prawdopodobieństwa lodu. To model bazowy dla nauki o powierzchni Księżyca, nie pogodowy. Pokazuje jednak szablon: wytrenowany szkielet plus głowice zadaniowe, udostępnione z wagami na Hugging Face.

Rdzeń czyta zapytanie, decyduje, których specjalistów uruchomić, i składa odpowiedź z tego, co zwrócą.

To zdanie pochodzi z karty modelu Interfaze 1.1 Lite opublikowanej 5 października. Opisuje projekt mieszający architektury, który działa na jednym GPU o pamięci 80 GB, bez usług zewnętrznych. Jego tabela testów podaje GPQA Diamond na 85,9, MMMU-Pro na 73,2 i olmOCR-Bench na 83,8. Żaden z nich nie jest testem pogodowym. To liczby, jakie dostawcy publikują dziś domyślnie. Nie mówią prawie nic o tym, czy model poradzi sobie z siatką 10 km.

Problem zaufania, który leży pod spodem

Badacze z UC Riverside podali 23 września, że pewność siebie i poprawność w dużych modelach językowych mogą brać się z różnych cech wewnętrznych. Het Patel, doktorant i pierwszy autor, powiedział, że głównym założeniem dziedziny jest to, iż pewność idzie w parze z poprawnością, ale „często widzimy kontrprzykłady, które są dobrze udokumentowane”. Zespół badał Llamę-3.1-8B od Mety, model o 8 mld parametrów, i Gemmę-2-9B od Google, model o 9 mld parametrów, za pomocą rzadkich autoenkoderów. Odkrył, że można wyciszyć wybrane cechy bez ponownego trenowania całego modelu.

Dla każdego, kto dokłada model językowy do łańcucha prognoz, to praktyczne ostrzeżenie. Model, który brzmi pewnie w sprawie toru burzy, nie jest przez to co do niego poprawny. Patel porównał to do „kręcenia gałkami” wewnątrz modelu, żeby zobaczyć, jak zmienia się zachowanie. Wyciszenie cech związanych wyłącznie z niepewnością ostro obniżyło dokładność.

Twierdzenia o wydajności są prawdziwe, ale osobne. Reflection ogłosił 5 października model Beam. To rzadki model mieszanki ekspertów o 501 mld parametrów, z których aktywne jest 23 mld. Trenowano go na ponad 100 mln przebiegach uczenia ze wzmocnieniem na 10 500 GPU NVIDIA GB300 przez cztery tygodnie. Reflection twierdzi, że Beam jest konkurencyjny wobec GLM 5.2, zużywając 3 do 4 razy mniej mocy obliczeniowej na wnioskowanie. Wagi jeszcze nie wyszły: firma podaje, że trwa końcowy red teaming, a publikacja nastąpi w późniejszej części miesiąca.

Narzędzia dla małych modeli też się ruszają. Jeff-Code, fork Pi opublikowany 5 października, stawia model decyzyjny o 0,8 mld parametrów obok Qwen 3.8-27B, czyli modelu o 27 mld parametrów. Raportuje zadania wykonywane w czasie 0,68 razy krótszym od bazowego przy wskaźniku zaliczeń 62,4% wobec 62,8% na 1 242 sparowanych zadaniach. To wynik szybkości, nie dokładności. Autor przyznaje otwarcie, że w około 5% zadań działanie trwa ponad 30 minut dłużej.

Uczciwa lektura wieści z tego tygodnia: infrastruktura do tanich, szybkich decyzji strukturalnych nadchodzi szybciej niż dowody, że działa na układach fizycznych. Prognozowanie pogody dostanie te narzędzia. Nie wykazano jeszcze, że powinno im ufać.