预报员拿到更多 AI 工具，气象模型却还得先赢得信任

这个卖点很窄，也容易验证。Liquid AI 的博客说，d1 在一次前向传播中读取文本、图像，或者两者兼有。它为每个可能的答案返回一个概率，不生成任何 token。公司称，一次文本决策耗时 200 到 300 毫秒。它还称，在测试的六个“真实应用”中，d1 在其中四个上追平或超过了 GPT-6.1 Sol。

Liquid 自己举的例子大多是工业和事务性的：过滤客服工单、归档文件、在公开的 VisA 数据集上检查来自四条生产线的电路板。在这项任务里，d1 分拣良品和次品的准确率为 85-97%。公司表示，这个模型从未针对该任务训练过。

这对气象台意味着什么？预报说到底，就是在不确定条件下做出结构化决策。整条流程中最便宜的那一段，正是小模型被推着上场的地方。目前还没有人在气象数据上评测过 d1，Liquid AI 也没有这样宣称。气象这个角度只能当作假设，不是结论。

现有记录在预报上究竟说明了什么

有一项预报结果值得单独拿出来。它是一个混合模型，把受驾驶启发的优化器与 AI 结合在一起。据 Bioengineer.org 报道，它把风电功率预报提高了 12.7%。这条消息只以标题形式出现在上下文列表里，所以我们手上只有这个数字：没有方法，没有数据集，没有基线。就凭这点证据，在有人复现之前，12.7% 只是一个新闻稿上的数字。

其他地方也是同一个模式：通用模型能力不弱，领域证据却很单薄。10 月 5 日，NASA-IMPACT 发布了 NASA-IBM 月球基础模型的微调和推理代码。其中包含用于陨石坑检测、IMP 分割和冰资源勘探的 TerraTorch 配置。这是面向月球表面科学的基础模型，不是气象模型。但它展示了套路：预训练骨干加任务专用头，连同权重一起发布在 Hugging Face 上。

核心读取请求，决定要运行哪些专家模块，再把它们返回的结果组合成答案。

这句话出自 10 月 5 日发布的 Interfaze 1.1 Lite 模型卡。它描述的是一种混合架构设计，在单张 80 GB GPU 上运行，不依赖任何外部服务。它的基准表列出 GPQA Diamond 为 85.9，MMMU-Pro 为 73.2，olmOCR-Bench 为 83.8。这些都不是气象基准。它们只是厂商如今默认公布的那类数字，几乎说明不了模型能不能处理 10 公里网格。

底下的信任问题

加州大学河滨分校的研究人员 9 月 23 日报告称，大语言模型中的置信度和正确性可能来自不同的内部特征。论文第一作者、博士生 Het Patel 说，这个领域的主要假设是置信度跟随正确性，但“我们经常看到有充分记录的反例”。团队用稀疏自编码器研究了 Meta 的 Llama-3.1 80亿 和 Google 的 Gemma-2 90亿。研究发现，他们可以在不重新训练整个模型的情况下抑制选定的特征。

对任何想把语言模型接到预报流程上的人来说，这就是实际的警告。一个模型说起风暴路径来语气笃定，并不等于它说对了。Patel 把这种比较比作拧动模型内部的“旋钮”，看行为如何变化。抑制那些只与不确定性相关的特征后，准确率明显下降。

效率方面的说法是真的，但那是另一回事。10 月 5 日，Reflection 发布了 Beam。这是一个 5010亿 参数的稀疏混合专家模型，激活参数 230亿。它在 10500 块 NVIDIA GB300 GPU 上、用四周时间、超过 1亿 次强化学习 rollout 训练而成。Reflection 称，Beam 与 GLM 5.2 不相上下，而推理算力只用后者的三分之一到四分之一。权重还没放出来：公司说最终的红队测试正在进行，本月晚些时候发布。

小模型的工具链也在动。10 月 5 日发布的 Jeff-Code 是 Pi 的一个分支，把一个 8亿 参数的决策模型和 Qwen 3.8 270亿 放在一起。它报告说，在 1242 组配对任务上，任务耗时是基线的 0.68 倍，通过率为 62.4%，基线为 62.8%。这是速度上的结果，不是准确率上的。作者也坦言，大约 5% 的任务会多跑 30 分钟以上。

对这一周新闻的诚实解读是：便宜、快速的结构化决策所需的基础设施，来得比“它在物理系统上确实管用”的证据更快。气象预报会拿到这些工具。但还没有人证明，它应该信任这些工具。