HiRO-ACEv2: Ai2 stellte 10,9 GB Klimaemulator-Gewichte online und erzählte es niemandem

HiRO-ACEv2 ist kein Sprachmodell, und das ist das Erste, was man darüber klarstellen muss. Es ist ein zweistufiges Klimaemulations-Framework des Allen Institute for AI, und am 12. Oktober 2026 um 16:43 UTC erstellte das Institut ein Repository bei Hugging Face unter dem Namen allenai/HiRO-ACEv2 mit etwa 10,9 GB an Checkpoints, Forcing-Daten und Anfangsbedingungen. Zwei Tage später, am 14. Oktober um 13:15 UTC, erhielt das Repository seinen letzten Commit. Zum Zeitpunkt dieses Schreibens hat es ein einzelnes Like, keine Downloads, keinen Diskussionsthread, keinen Ankündigungsbeitrag von Ai2, keinen Blogeintrag und keine Presseberichterstattung. Die einzige öffentliche Erklärung dazu, was die Veröffentlichung enthält, ist ein Preprint, der am 13. Oktober auf arXiv erschien, einen Tag nach den Gewichten.

Was daran eine Seite statt eines Schulterzuckens wert ist, ist der Unterschied zur ersten Generation. Ai2 veröffentlichte HiRO-ACE im Januar 2026, und es tat genau eine Sache: 3-km-Niederschlag. HiRO-ACEv2 fügt der Ausgabe 10-Meter-Winde nach Osten und Norden sowie den mittleren Meeresspiegeldruck hinzu, zusätzlich zum Niederschlag, wodurch es von einem Niederschlags-Downscaler zu etwas wird, das einem nutzbaren atmosphärischen Feldgenerator für den 3-km-Maßstab näher kommt. Das ist eine echte Änderung der Fähigkeiten, kein bloßes Versions-Update. Ob es standhält, ist eine separate Frage – und eine, die noch niemand außerhalb von Ai2 beantwortet hat.

Was ist im Repository, Datei für Datei

Dies ist der Teil, der vollständig bekannt ist, also ist es der Teil, der es wert ist, sorgfältig gelesen zu werden. Alles unten wurde aus der eigenen Dateiliste und den Metadaten des Repositorys abgelesen.

• HiROv2.ckpt — 1.376.737.727 Bytes, etwa 1,28 GiB. Dies ist das Diffusions-Downscaling-Modell selbst, die Komponente, die das Paper HiRO für „High Resolution Output“ nennt.

• ACE2S-X-SHiELD.ckpt — 3.201.380.831 Bytes, etwa 2,98 GiB. Der Emulator mit grober Auflösung, der ihn speist: ein autoregressives Modell von X-SHIELD, dem globalen, sturmauflösenden Modell, auf 100 km vergröbert.

• forcing_data/ — zehn NetCDF-Dateien, forcing_2014.nc bis forcing_2023.nc, jeweils etwa 609 MB. Neunhundertdreißig Megabyte dieses Fensters sind Conditioning-Eingabe, und seine Zehnjahresspanne ist genau das Trainingsfenster, auf das beide Checkpoints beschränkt sind.

• initial_conditions/ — ic_2014.nc und ic_2023.nc, jeweils 118.253.505 Bytes. Zwei Endpunkte des Zeitraums, für den das Release eingerichtet ist.

• Drei YAML-Konfigurationen und ein Shell-Skript — ace2s_inference_config_global.yaml, hiro_downscaling_ace2s_global_output.yaml, hiro_downscaling_ace2s_pnw_output.yaml und run-hiro-ace.sh. Die Konfiguration für den Pazifischen Nordwesten liegt neben der globalen, was ein guter Hinweis darauf ist, welche Region die Autoren als ihr durchgerechnetes Beispiel verwendet haben.

Die README ist 5.345 Bytes groß und besteht größtenteils aus einer Anleitung: das Repository herunterladen, pip install fme, vier Felder in der ACE-Konfiguration auf Ihre Pfade richten, die HiRO-Konfiguration auf das Ausgabeverzeichnis des ACE-Laufs richten, das Shell-Skript ausführen. Der Code befindet sich in Ai2s öffentlichem Klimaemulator-Repository, und die Dokumentationsseite bewirbt das Paket derzeit als fme v2026.5.1, mit einem ständigen Warnhinweis, dass die Codebasis interne Forschung unterstützt und dass es zu einschneidenden API-Änderungen kommt. Die Gewichte stehen unter Apache 2.0, wobei Ai2s Responsible Use Guidelines Forschungs- und Bildungsabsicht an die Lizenzgewährung knüpfen.

Was das Preprint behauptet – und was die Modellkarte nicht dazu sagen wird

Das Preprint trägt den Titel „Extreme Ereignisse und Statistik in einem KI-Emulator eines globalen, sturmauflösenden Modells“, und seine erste Version erschien am 13. Oktober 2026 um 04:18 UTC auf arXiv unter physics.ao-ph, mit zehn Autorinnen und Autoren aus dem Klima-Team von Ai2. Nahezu jede Zahl, die eine Leserin oder ein Leser haben möchte, stammt aus dem Preprint und nicht aus der Modellkarte, und jede einzelne dieser Zahlen stammt von den Autorinnen und Autoren selbst und wurde von niemandem sonst reproduziert.

Die zentrale Behauptung betrifft die Kosten: Das Paper stellt fest, dass Inferenz mehr als 300-mal günstiger ist als der Betrieb eines konventionellen numerischen globalen sturmauflösenden Modells. Das ist die Art von Zahl, die darüber entscheidet, ob eine Technik eine Forschungskuriosität oder ein operatives Werkzeug ist, deshalb lohnt es sich, präzise zu sein, was sie tatsächlich ist. Es ist ein Vergleich eines KI-Emulators mit einer Klasse numerischer Simulation, durchgeführt von den Entwicklern des Emulators, auf Hardware und mit Einstellungen, die sie ausgewählt haben. Keine unabhängige dritte Partei hat ihn wiederholt.

Die zweite Behauptung betrifft die Tails. HiRO-ACEv2 soll Referenzniederschlags- und bodennahe Windverteilungen bis zum 99,9999. Perzentil nachbilden und der Referenzverteilung der Intensität tropischer Wirbelstürme weitgehend folgen. Den äußersten Tail richtig hinzubekommen, ist der schwierige Teil dieses Problems und überhaupt der Grund, warum es die Arbeit gibt – ein Emulator, der den Mittelwert trifft und die Extreme verfehlt, ist genau für die Fragen nutzlos, die man zu tropischen Wirbelstürmen und Überschwemmungen stellen möchte. Der Mechanismus, den die Autoren beschreiben, sind mehrere Denoiser zur Inferenzzeit sowie Änderungen an Daten-Sampling, Rausch-Sampling und Loss-Gewichtung während des Trainings.

Was die Modellkarte nicht tut, ist, eine Benchmark-Zahl zu nennen. Es gibt keine Tabelle, keine Punktzahl, keinen Eintrag in einer Rangliste. Die Karte erhebt qualitative Ansprüche – die Zeile zum 99,9999. Perzentil ist die einzige quantitative Angabe darin – und listet dann Einschränkungen mit ungewöhnlicher Offenheit auf. Beide Checkpoints wurden auf neun Jahren X-SHIELD trainiert, von 2014 bis 2022. Die Ausgaben reproduzieren X-SHIELD, nicht Beobachtungen, daher erben sie die Verzerrungen der Referenzsimulation statt die der realen Atmosphäre. Das Framework ist nicht für die Wettervorhersage gedacht. Es wurde nicht außerhalb von 66°S bis 70°N getestet und kann nicht über 88°S oder 88°N hinaus ausgeführt werden. Das Downscaling von Regionen, die größer als das 16-mal-16 große Trainingsfeld mit einem Grad Auflösung sind, kann an den Feldgrenzen Diskontinuitäten oder Mischartefakte erzeugen. Und die Karte merkt an, dass ACE2S-X-SHIELD weniger streng getestet wurde als die frühere ACE2-ERA5-Reihe.

Zusammen gelesen besagen diese beiden Absätze etwas Bestimmtes: Dies ist ein Forschungsartefakt, hinter dem ein Paper steht, veröffentlicht mitsamt seinen Einschränkungen, und kein Produktlaunch mit einer Benchmark-Tabelle. Das ist eine normale und respektable Art, Wissenschaft zu veröffentlichen. Es ist auch etwas anderes als ein Modell, das man gegen ein öffentliches Leaderboard evaluieren kann, und die Lücke zwischen diesen beiden ist der ehrliche Ist-Zustand dieser Veröffentlichung.

Der Unterschied zu v1 ist hier die eigentliche Geschichte.

HiRO-ACE, die Januar-2026-Version, erzeugte 6-stündlich gemittelte Oberflächenniederschlagsraten bei 3 km. Das war die gesamte Oberflächenausgabe. Das v2-Framework ergänzt zusätzlich zum Niederschlag instantane 10-Meter-Winde mit Ost- und Nordkomponente sowie Luftdruckfelder auf Meereshöhe mit 6-stündlicher Frequenz.

Das ist wichtig wegen der Beschaffenheit der zweiten Stufe. HiROv2 ist ein Diffusionsmodell, das 100-km-Eingaben entgegennimmt und 3-km-Felder erzeugt; in der Arbeit wird es als zweistufiges System beschrieben, bei dem ein autoregressiver Emulator vergröbertes X-SHIELD in 100 km Auflösung erzeugt und ein separat trainiertes Diffusionsmodell diese Ausgabe regional auf 3 km herunterskaliert. Die Erweiterung des Downscalers von einem einzelnen skalaren Feld auf ein multivariates – Niederschlag plus zwei Windkomponenten plus Druck, die physikalisch miteinander konsistent sein müssen, nicht unabhängig plausibel – ist die substanzielle Ingenieursleistung in dieser Veröffentlichung. Wind und Niederschlag, die nicht zueinander passen, sind schlimmer als jedes für sich allein.

Das v1-Repository hat seit Januar sechzehn Likes gesammelt. Das v2-Repository hat ein Like, zwei Tage nach seinem letzten Commit. Dieser Unterschied ist kein Kommentar zur Qualität; er ist eine Momentaufnahme davon, wie ruhig dieses spezielle Release veröffentlicht wurde.

Was von außen nicht zu erkennen ist und wohl auch eine Weile nicht sein wird

Es gibt keinen gehosteten Endpunkt. Es gibt keine API, keine Preisliste, keinen Preis pro Token und keine Möglichkeit dafür, denn dies ist kein autoregressives Textmodell. Es gibt nichts auf irgendeinem Modell-Leaderboard und wahrscheinlich wird es auch nie etwas geben, da die Bewertung, die hier zählt, die Verteilungstreue gegenüber einer Referenzsimulation ist und kein öffentliches Leaderboard das misst. Es gibt keine unabhängige Reproduktion, keinen Drittanbieter-Benchmark und keine Framework-Integration über Ai2s eigenes Python-Paket hinaus — die Konfigurationen referenzieren die fme-Bibliothek und das ai2cm/ace-Repository und nichts anderes.

Die praktische Konsequenz ist, dass das Ausführen von HiRO-ACEv2 heute bedeutet, 10,9 GB herunterzuladen und es auf Ihrer eigenen Hardware auszuführen. Es gibt keinen Aufruf, den Sie tätigen können. Wer schreibt, dass dieses Modell auf irgendeiner Plattform „verfügbar“ ist, beschreibt einen Downloadlink.

Die ehrliche Zusammenfassung des Zustands dieses Releases lautet also: Die Gewichte existieren, das Rezept existiert, das Paper existiert, und der Anbieter hat dazu nichts gesagt. Wenn Ai2 dem Muster des Januar-Releases folgt, könnte binnen weniger Tage eine Ankündigung folgen, die nichts am Artefakt ändert. Wenn nicht, bleibt das Modell, wie es ist – es sitzt in einem Repository mit vollständiger README und ohne Publikum.

Wo eine Routing-Schicht hier hilft und wo nicht

Klarheit darüber zu schaffen ist nützlicher, als eine Produktnennung darüber zu strecken: OrcaRouter hat nichts, was es für HiRO-ACEv2 routen könnte. Wir hosten es nicht, es erscheint nicht in unserem Katalog, und es könnte dort in seiner aktuellen Form nicht erscheinen, weil es keinen token-abgerechneten Endpunkt gibt, den man einem Aufrufer voranstellen könnte.

Wahr ist, dass die Arbeit rund um ein Modell wie dieses Arbeit mit Sprachmodellen ist. Die Skripte, die ein mehrere Jahrzehnte umfassendes Ensemble steuern, der Code, der NetCDF-Metadaten liest und vor einem Lauf die Feldformen auf Plausibilität prüft, das Zusammenfassen der Verteilungsstatistiken über hundert Rollouts, das Überführen eines Papers in eine Checkliste — diese Ebene ist gewöhnliche Text- und Codegenerierung, und sie ist die Ebene, auf der der Aufruf eines Modells pro Anfrage sinnvoll ist. Diese Ebene ist es, wofür ein API-Schlüssel da ist, und sie ist der Grund, warum ein einzelner Schlüssel vor über zweihundert Modellen, bei dem der Listenpreis des Anbieters durchgereicht und ein Failover automatisch gehandhabt wird, wenn ein Anbieter beeinträchtigt ist, lohnt sich selbst dann, wenn das Wissenschaftsmodell im Zentrum der Pipeline auf Ihrer eigenen GPU läuft.

Was würde diese Seite verändern?

Drei Dinge, in der Reihenfolge abnehmender Wahrscheinlichkeit. Eine Ankündigung von Ai2 würde bestätigen, dass das Release fertig ist und nicht bloß ein Staging-Commit, und würde dem Framework ein anderes Zitierziel als das Preprint geben. Ein Lauf von jemandem außerhalb von Ai2 – eine Gruppe, die die Behauptung einer 300-fachen Inferenzbeschleunigung auf eigener Hardware reproduziert oder einen Vergleich mit einem numerischen GSRM auf derselben Maschine veröffentlicht – würde die Kernaussage des Papers von einer Behauptung zu einem Beleg machen. Und eine nachgelagerte Pipeline, die die multivariate Ausgabe – Wind und Druck zusammen mit Niederschlag – einliest, wäre der erste echte Test dafür, ob die physikalische Konsistenz der zweiten Stufe standhält, wenn jemand anderes als ihre Autoren darauf angewiesen ist.

Nichts davon ist ein Grund, das Release zu ignorieren. Dass ein reifes Feld seine zweite Generation still ausliefert, ist normal, und das Paper ist die Stelle, an der man nachsehen sollte. Es ist ein Grund, präzise bei dem zu sein, was gezeigt wurde, und das ist bisher: Die Dateien sind da, das Rezept ist dokumentiert, und die Zahlen stammen von den Autoren selbst.

Eine so ruhige Veröffentlichung ist auch der Moment, um zu prüfen, was zuvor schiefgelaufen ist: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle rund um Modelle dieser Klasse sind gesammelt in dem OrcaRouter AI Incident Archive, wobei jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und eine Kennzeichnung als umstritten enthält.