HiRO-ACEv2: Ai2가 10.9GB의 기후 에뮬레이터 가중치를 온라인에 공개하고 아무에게도 알리지 않았다

HiRO-ACEv2는 언어 모델이 아니며, 그것이 가장 먼저 분명히 해야 할 점이다. 그것은 앨런 인공지능 연구소(Allen Institute for AI)의 2단계 기후 에뮬레이션 프레임워크이며, 2026년 10월 12일 16:43 UTC에 이 연구소는 allenai/HiRO-ACEv2라는 이름의 Hugging Face 저장소를 만들었다. 이 저장소에는 약 10.9GB의 체크포인트, 강제력 데이터, 초기 조건이 들어 있다. 이틀 뒤인 10월 14일 13:15 UTC에 이 저장소는 마지막 커밋을 기록했다. 이 글을 쓰는 시점에 이 저장소에는 좋아요 하나가 있으며, 다운로드, 토론 스레드, Ai2의 발표 게시물, 블로그 글, 언론 보도는 없다. 이번 릴리스에 무엇이 포함되어 있는지에 대한 유일한 공개 설명은 가중치 공개 다음 날인 10월 13일 arXiv에 올라온 프리프린트다.

이것이 어깨를 으쓱할 일이 아니라 한 페이지를 쓸 가치가 있게 만드는 것은 1세대와의 차이입니다. Ai2가 선보인 HiRO-ACE는 2026년 1월에 출시되었고, 단 한 가지 일을 했습니다: 3km 강수입니다. HiRO-ACEv2는 강수에 더해 출력에 10미터 동향 및 북향 바람과 평균 해수면 기압을 추가하는데, 이는 이를 강수 다운스케일러에서 3km 규모에 쓸 만한 대기장 생성기에 더 가까운 것으로 바꿔 놓습니다. 그것은 버전 범프가 아니라 실제 역량 변화입니다. 그것이 실제로 통하는지는 별개의 질문이며, Ai2 밖에서는 아직 아무도 답하지 않은 질문입니다.

저장소에는 파일별로 무엇이 들어 있나요?

이 부분은 완전히 알 수 있는 부분이므로, 주의 깊게 읽을 가치가 있는 부분입니다. 아래의 모든 내용은 저장소 자체의 파일 목록과 메타데이터에서 읽어낸 것입니다.

• HiROv2.ckpt — 1,376,737,727바이트, 약 1.28GiB. 이것이 바로 확산 다운스케일링 모델 자체이며, 논문에서 "High Resolution Output"의 약자로 HiRO라고 부르는 구성 요소입니다.

• ACE2S-X-SHiELD.ckpt — 3,201,380,831바이트, 약 2.98GiB. 이를 구동하는 저해상도 에뮬레이터: 전지구 폭풍 해상 모델인 X-SHIELD를 100km로 조대화한 자기회귀 모델.

• forcing_data/ — NetCDF 파일 10개, forcing_2014.nc부터 forcing_2023.nc까지, 각각 약 609MB입니다. 해당 윈도우 중 930메가바이트는 컨디셔닝 입력이며, 그 10년 범위는 두 체크포인트가 모두 제한되어 있는 학습 윈도우와 정확히 일치합니다.

• initial_conditions/ — ic_2014.nc 및 ic_2023.nc, 각각 118,253,505바이트. 해당 릴리스가 실행하도록 설정된 기간의 두 끝점입니다.

• YAML 구성 파일 세 개와 셸 스크립트 하나 — ace2s_inference_config_global.yaml, hiro_downscaling_ace2s_global_output.yaml, hiro_downscaling_ace2s_pnw_output.yaml 및 run-hiro-ace.sh. 태평양 북서부(Pacific Northwest) 구성은 전역 구성과 나란히 있으며, 이는 저자들이 어느 지역을 실제 예제로 사용했는지에 대한 상당한 힌트가 됩니다.

README는 5,345바이트이며 대부분이 레시피입니다: 저장소를 다운로드하고, pip install fme, ACE 구성의 네 필드를 각자의 경로로 지정하고, HiRO 구성을 ACE 실행의 출력 디렉터리로 지정한 다음 셸 스크립트를 실행합니다. 코드는 Ai2의 공개 기후 에뮬레이터 저장소에 있으며, 문서 사이트에서는 현재 이 패키지를 fme v2026.5.1로 광고하고 있으며, 코드베이스가 내부 연구를 지원하고 API를 깨뜨리는 변경이 발생한다는 상시 경고를 함께 내걸고 있습니다. 가중치는 Apache 2.0이며, Ai2의 Responsible Use Guidelines는 라이선스 부여에 연구 및 교육 목적을 결부시킵니다.

프리프린트가 주장하는 것, 그리고 모델 카드가 그에 대해 말하지 않을 것

이 프리프린트의 제목은 “전지구 폭풍 분해 모델의 AI 에뮬레이터에서의 극한 사건과 통계”이며, 첫 버전은 2026년 10월 13일 04:18 UTC에 physics.ao-ph 분야로 arXiv에 올라왔고, Ai2의 기후 팀 소속 저자 10명이 참여했다. 독자가 원할 법한 거의 모든 수치는 모델 카드가 아니라 이 프리프린트에서 나오며, 그 수치 하나하나는 모두 저자들 자신의 것이고 다른 누구도 재현하지 않았다.

대표적인 주장은 비용이다. 논문은 추론이 기존의 수치 전지구 폭풍 해상도 모델을 실행하는 것보다 300배 이상 저렴하다고 밝힌다. 이는 어떤 기법이 연구적 호기심거리인지 실무 도구인지를 결정하는 종류의 수치이므로, 그것이 정확히 무엇인지 분명히 할 가치가 있다. 그것은 하나의 AI 에뮬레이터를 한 부류의 수치 시뮬레이션과 비교한 것으로, 에뮬레이터를 만든 사람들이 자신들이 선택한 하드웨어와 설정에서 수행한 것이다. 제3자가 이를 재현한 적은 없다.

두 번째 주장은 꼬리(tail)에 관한 것이다. HiRO-ACEv2는 기준 강수 및 지표 부근 바람 분포를 99.9999번째 백분위수까지 추적하고, 기준 열대 저기압 강도 분포를 대체로 따르는 것으로 보고된다. 극단 꼬리를 제대로 맞추는 것이 이 문제의 어려운 부분이며, 이 논문이 애초에 존재하는 이유다 — 평균은 정확히 맞추면서 극값은 놓치는 에뮬레이터는 사람들이 열대 저기압과 홍수에 대해 묻고자 하는 바로 그 질문들에 쓸모가 없다. 저자들이 설명하는 메커니즘은 추론 시점의 여러 디노이저와, 훈련 중 데이터 샘플링, 노이즈 샘플링 및 손실 가중치의 변경이다.

모델 카드가 하지 않는 일은 벤치마크 수치를 제공하는 것이다. 표도, 점수도, 리더보드 항목도 없다. 이 카드는 정성적 주장을 제시하는데 — 99.9999번째 백분위수 문구가 그 안에서 유일한 정량적 수치이다 — 그리고는 이례적으로 솔직하게 한계를 나열한다. 두 체크포인트 모두 2014년부터 2022년까지 9년치 X-SHIELD로 훈련되었다. 출력은 관측이 아니라 X-SHIELD를 재현하므로, 실제 대기의 편향이 아니라 참조 시뮬레이션의 편향을 물려받는다. 이 프레임워크는 일기예보용이 아니다. 남위 66°에서 북위 70° 범위 밖에서는 테스트되지 않았고, 남위 88° 또는 북위 88°를 넘어서는 실행할 수 없다. 16×16, 1도 훈련 패치보다 큰 영역을 다운스케일링하면 패치 경계에서 불연속성이나 블렌딩 아티팩트가 발생할 수 있다. 그리고 카드에는 ACE2S-X-SHIELD가 이전 ACE2-ERA5 라인보다 덜 엄격하게 테스트되었다고 명시되어 있다.

함께 읽으면, 그 두 문단은 구체적인 사실을 말한다: 이것은 논문이 뒷받침하는 연구 산출물이며, 한계를 함께 공개한 것이지, 벤치마크 표를 동반한 제품 출시가 아니다. 그것은 과학을 공개하는 정상적이고 존중할 만한 방식이다. 그것은 또한 공개 리더보드에 대고 평가할 수 있는 모델과는 다른 것이며, 그 둘 사이의 간극이 이번 공개의 솔직한 상태다.

v1 대비 변화가 여기서 진짜 핵심이다

2026년 1월 릴리스인 HiRO-ACE는 3km에서 6시간 평균 지표 강수율을 생성했습니다. 그것이 출력 표면의 전부였습니다. v2 프레임워크는 강수와 함께 6시간 주기로 순간 10미터 동향 및 북향 바람과 해면기압장을 추가합니다.

그게 중요한 이유는 두 번째 단계가 무엇인지에 있습니다. HiROv2는 100km 입력을 받아 3km 장을 생성하는 확산 모델입니다. 논문에서는 이를 두 단계 시스템으로 설명하는데, 자기회귀 에뮬레이터가 100km에서 조대화된 X-SHIELD를 생성하고, 별도로 훈련된 확산 모델이 그 출력을 지역적으로 3km까지 다운스케일합니다. 다운스케일러를 단일 스칼라 장에서 다변량 장으로 — 강수에 두 개의 바람 성분과 기압을 더한 것으로, 이들은 각각 그럴듯하면 되는 게 아니라 서로 물리적으로 일관되어야 합니다 — 확장하는 것이 이번 릴리스의 실질적인 엔지니어링입니다. 서로 어긋나는 바람과 강수는 둘 중 어느 하나만 있는 것보다 더 나쁩니다.

v1 저장소는 1월 이후 좋아요 16개를 모았습니다. v2 저장소는 마지막 커밋 이틀 뒤에 좋아요가 하나뿐입니다. 그 차이는 품질에 대한 평가가 아니라, 이번 릴리스가 얼마나 조용히 나갔는지를 보여주는 스냅샷입니다.

외부에서 알 수 없는 것, 그리고 아마 당분간은 그렇지 않을 것이다

호스팅된 엔드포인트는 없습니다. API도, 요율도, 토큰당 가격도 없고, 그것이 존재할 가능성도 없습니다. 왜냐하면 이것은 자기회귀 텍스트 모델이 아니기 때문입니다. 어떤 리더보드에도 없으며, 앞으로도 있을 것 같지 않습니다. 여기서 중요한 평가는 참조 시뮬레이션에 대한 분포적 충실도인데, 이를 측정하는 공개 리더보드는 없기 때문입니다. 독립적 재현도, 제3자 벤치마크도, Ai2 자체의 Python 패키지 외의 프레임워크 통합도 없습니다 — 구성 파일들은 fme 라이브러리와 ai2cm/ace 저장소만 참조하며 그 외에는 아무것도 참조하지 않습니다.

실질적인 결과는 오늘날 HiRO-ACEv2를 실행한다는 것이 10.9 GB를 다운로드해 자신의 하드웨어에서 구동하는 것을 의미한다는 점입니다. 호출할 수 있는 방법은 없습니다. 이 모델이 어떤 플랫폼에서 "사용 가능하다"고 쓰는 사람은 다운로드 링크를 설명하고 있는 것입니다.

그래서 이번 릴리스의 상황을 솔직하게 요약하면 이렇다: 가중치는 존재하고, 레시피도 존재하고, 논문도 존재하며, 벤더는 아무 말도 하지 않았다. Ai2가 1월 릴리스의 패턴을 따른다면, 며칠 안에 발표가 이어질 수 있으며 아티팩트를 바꾸는 일은 없을 것이다. 그렇지 않다면, 모델은 완전한 README를 갖췄지만 독자가 없는 저장소에 놓인 채 그대로 남는다.

여기서 라우팅 레이어가 도움이 되는 경우와 그렇지 않은 경우

이 점을 분명히 하는 것이 제품 언급을 여기에 억지로 끼워 넣는 것보다 더 유용합니다. OrcaRouter가 HiRO-ACEv2를 위해 라우팅할 대상은 없습니다. 우리는 그것을 호스팅하지 않으며, 그것은 우리 카탈로그에 나타나지 않고, 현재 형태로는 거기에 나타날 수도 없습니다. 왜냐하면 호출자 앞에 놓을 토큰 단위로 과금되는 엔드포인트가 없기 때문입니다.

사실인 것은 이런 모델을 둘러싼 작업이 언어 모델 작업이라는 점이다. 수십 년에 걸친 앙상블을 구동하는 스크립트, 실행 전에 NetCDF 메타데이터를 읽고 필드 형상을 정합성 검사하는 코드, 100회의 롤아웃 전반에 걸쳐 분포 통계를 요약하는 일, 논문을 체크리스트로 읽어내는 일 — 그 계층은 평범한 텍스트 및 코드 생성이며, 요청마다 모델을 호출하는 것이 타당한 계층이다. 그 계층이 바로 API 키의 용도이며, 그것이 바로 200개가 넘는 모델 앞에 놓인 단일 키를 갖는 것이 — 제공업체의 정가를 그대로 전달하고 제공업체가 성능 저하될 때 장애 조치를 자동으로 처리하는 — 파이프라인 중앙에 있는 과학 모델이 자체 GPU에 있더라도 가치가 있는 이유이다.

이 페이지를 바꾸려면 무엇이 필요할까요

가능성의 내림차순으로 세 가지입니다. Ai2의 발표는 릴리스가 스테이징 커밋이 아니라 완료되었음을 확인해 주고, 프레임워크에 프리프린트가 아닌 인용 대상을 제공할 것입니다. Ai2 외부의 누군가가 실행하는 것 — 한 그룹이 자체 하드웨어에서 300배 추론 주장을 재현하거나, 같은 머신에서 수치 GSRM과의 비교를 발표하는 것 — 은 논문의 헤드라인을 주장에서 증거로 바꿔 놓을 것입니다. 그리고 다변량 출력, 즉 강수와 함께 바람과 기압을 입력으로 받아들이는 다운스트림 파이프라인은 저자가 아닌 누군가가 그것에 의존할 때 2단계의 물리적 일관성이 견고하게 유지되는지를 확인하는 첫 번째 진정한 시험이 될 것입니다.

그 중 어느 것도 이번 공개를 무시할 이유는 아니다. 성숙한 분야가 2세대를 조용히 내놓는 것은 정상이며, 논문이 바로 살펴봐야 할 곳이다. 그것은 무엇이 입증되었는지 정확히 따져야 할 이유다. 지금까지 입증된 것은 다음과 같다: 파일은 있고, 레시피는 문서화되어 있으며, 수치는 저자들 자신의 것이다.

이렇게 조용한 릴리스는 그동안 무엇이 잘못되어 왔는지 점검할 시점이기도 합니다. 이 등급의 모델과 관련해 문서화된 AI 사고와 에이전트 실패 사례는 the OrcaRouter AI Incident Archive 에 모여 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 여부 표시가 함께 제공됩니다.