HiRO-ACEv2: Ai2 udostępniło online 10,9 GB wag emulatora klimatycznego i nikomu o tym nie powiedziało

HiRO-ACEv2 nie jest modelem językowym i to pierwsza rzecz, którą należy w związku z nim wyjaśnić. To dwuetapowy framework do emulacji klimatu z Allen Institute for AI, a 12 października 2026 o 16:43 UTC instytut utworzył repozytorium Hugging Face pod nazwą allenai/HiRO-ACEv2 zawierające około 10,9 GB checkpointów, danych wymuszających i warunków początkowych. Dwa dni później, 14 października o 13:15 UTC, repozytorium otrzymało ostatni commit. W chwili pisania ma jedno polubienie, brak pobrań, brak wątku dyskusyjnego, brak posta ogłoszeniowego od Ai2, brak wpisu na blogu i brak relacji prasowych. Jedynym publicznym wyjaśnieniem tego, co zawiera wydanie, jest preprint, który pojawił się na arXiv 13 października, dzień po wagach.

Co sprawia, że warto poświęcić temu stronę, a nie wzruszyć ramionami, to różnica w stosunku do pierwszej generacji. Ai2 wypuściło HiRO-ACE w styczniu 2026 i robiło jedną rzecz: opady 3 km. HiRO-ACEv2 dodaje wiatry wschodnie i północne na wysokości 10 metrów oraz ciśnienie na średnim poziomie morza do wyników, oprócz opadów, co przenosi go z downscaler-a opadów do czegoś bliższego użytecznemu generatorowi pól atmosferycznych dla skali 3 km. To prawdziwa zmiana możliwości, a nie podbicie wersji. Czy się to utrzyma, to osobne pytanie, i takie, na które nikt spoza Ai2 jeszcze nie odpowiedział.

Co znajduje się w repozytorium, plik po pliku

To jest ta część, którą można w pełni poznać, więc to ją warto uważnie przeczytać. Wszystko poniżej odczytano z własnego wykazu plików i metadanych repozytorium.

• HiROv2.ckpt — 1 376 737 727 bajtów, około 1,28 GiB. To sam model downscalingu dyfuzyjnego, komponent, który w pracy nazwano HiRO od „High Resolution Output”.

• ACE2S-X-SHIELD.ckpt — 3 201 380 831 bajtów, około 2,98 GiB. Emulator niskiej rozdzielczości, który go zasila: autoregresyjny model dla X-SHIELD, globalnego modelu o rozdzielczości burzowej, zgrubionego do 100 km.

• forcing_data/ — dziesięć plików NetCDF, od forcing_2014.nc do forcing_2023.nc, każdy około 609 MB. Dziewięćset trzydzieści megabajtów z tego okna to dane wejściowe warunkujące, a jego dziesięcioletni zakres to dokładnie to samo okno treningowe, do którego ograniczone są oba punkty kontrolne.

• initial_conditions/ — ic_2014.nc i ic_2023.nc, każdy po 118 253 505 bajtów. Dwa punkty końcowe okresu, na który skonfigurowano wydanie.

• Trzy konfiguracje YAML i skrypt powłoki — ace2s_inference_config_global.yaml, hiro_downscaling_ace2s_global_output.yaml, hiro_downscaling_ace2s_pnw_output.yaml i run-hiro-ace.sh. Konfiguracja Pacific Northwest znajduje się obok globalnej, co daje niezłą wskazówkę co do tego, którego regionu autorzy użyli jako swojego przykładu.

Plik README ma 5 345 bajtów i jest w większości przepisem: pobierz repozytorium, pip install fme, wskaż cztery pola w konfiguracji ACE na swoje ścieżki, wskaż konfiguracji HiRO katalog wyjściowy przebiegu ACE, uruchom skrypt powłoki. Kod znajduje się w publicznym repozytorium emulatora klimatu Ai2, a witryna dokumentacji obecnie reklamuje pakiet jako fme v2026.5.1, z nieustannym ostrzeżeniem, że baza kodu wspiera badania wewnętrzne i że zdarzają się przełomowe zmiany API. Wagi są objęte licencją Apache 2.0, a Wytyczne odpowiedzialnego użytkowania Ai2 wiążą z udzieleniem licencji intencję badawczą i edukacyjną.

Co twierdzi preprint, a czego karta modelu za niego nie powie

Preprint nosi tytuł „Ekstremalne zjawiska i statystyka w emulatorze AI globalnego modelu o rozdzielczości burzowej”, a jego pierwsza wersja trafiła na arXiv 13 października 2026 r. o 04:18 UTC w kategorii physics.ao-ph, z dziesięcioma autorami z zespołu klimatycznego Ai2. Niemal każda liczba, której czytelnik mógłby chcieć, pochodzi z niego, a nie z karty modelu, a każda z tych liczb pochodzi od samych autorów i nie została odtworzona przez nikogo innego.

Główne twierdzenie dotyczy kosztu: artykuł podaje, że wnioskowanie jest ponad 300 razy tańsze niż uruchamianie konwencjonalnego numerycznego globalnego modelu o rozdzielczości pozwalającej rozwiązywać burze. To właśnie tego rodzaju liczba przesądza o tym, czy jakaś technika jest ciekawostką badawczą, czy narzędziem operacyjnym, więc warto być precyzyjnym co do tego, czym ona jest. To porównanie jednego emulatora AI z jednym typem symulacji numerycznej, dokonane przez ludzi, którzy zbudowali ten emulator, na sprzęcie i w ustawieniach, które sami wybrali. Żadna strona trzecia tego nie powtórzyła.

Drugie twierdzenie dotyczy ogonów rozkładu. Według doniesień HiRO-ACEv2 odtwarza referencyjne rozkłady opadów i wiatru przy powierzchni aż do 99,9999 percentyla oraz zasadniczo podąża za referencyjnym rozkładem intensywności cyklonów tropikalnych. Poprawne odwzorowanie dalekiego ogona to najtrudniejsza część tego problemu i powód, dla którego ta praca w ogóle powstała — emulator, który doskonale oddaje średnią, a pomija ekstrema, jest bezużyteczny dokładnie w przypadku pytań, jakie ludzie chcą zadawać o cyklonach tropikalnych i powodziach. Mechanizm opisany przez autorów to wiele odszumiaczy na etapie wnioskowania, a także zmiany w próbkowaniu danych, próbkowaniu szumu i ważeniu funkcji straty podczas treningu.

To, czego karta modelu nie robi, to podanie liczby benchmarkowej. Nie ma tabeli, wyniku ani wpisu na liście rankingowej. Karta zawiera twierdzenia jakościowe — wzmianka o 99,9999. percentylu to jedyna wartość ilościowa — a następnie z nietypową szczerością wymienia ograniczenia. Oba punkty kontrolne wytrenowano na dziewięciu latach danych X-SHIELD, od 2014 do 2022 roku. Wyniki odtwarzają X-SHIELD, a nie obserwacje, więc dziedziczą obciążenia symulacji referencyjnej, a nie rzeczywistej atmosfery. Ten framework nie służy do prognozowania pogody. Nie przetestowano go poza obszarem od 66°S do 70°N i nie może działać poza 88°S i 88°N. Downscaling regionów większych niż fragment treningowy 16 na 16 o rozdzielczości jednego stopnia może powodować nieciągłości lub artefakty mieszania na granicach fragmentów. Karta zauważa też, że ACE2S-X-SHIELD jest mniej rygorystycznie przetestowany niż wcześniejsza linia ACE2-ERA5.

Czytane razem, te dwa akapity mówią coś konkretnego: to artefakt badawczy z artykułem za nim, wydany wraz z załączonymi ograniczeniami, a nie premiera produktu z tabelą wyników. To normalny i szanowany sposób publikowania nauki. To także coś innego niż model, który można ocenić na podstawie publicznego rankingu, a różnica między nimi to uczciwy stan tego wydania.

Prawdziwa historia tkwi tutaj w różnicy względem v1.

HiRO-ACE, wydanie ze stycznia 2026, generował uśrednione co 6 godzin natężenia opadów powierzchniowych przy rozdzielczości 3 km. To był cały zestaw pól powierzchniowych na wyjściu. Framework v2 dodaje chwilowe składowe wiatru – wschodnią i północną – na wysokości 10 metrów oraz pola ciśnienia na poziomie morza z częstotliwością sześciogodzinną, obok opadów.

To ma znaczenie ze względu na to, czym jest drugi etap. HiROv2 to model dyfuzyjny, który przyjmuje dane wejściowe o rozdzielczości 100 km i generuje pola o rozdzielczości 3 km; w artykule opisano go jako system dwuetapowy, w którym autoregresyjny emulator generuje zgrubiony X-SHIELD w rozdzielczości 100 km, a osobno wytrenowany model dyfuzyjny regionalnie skaluje ten wynik w dół do 3 km. Rozszerzenie downscaler-a z pojedynczego pola skalarnego na wielowymiarowe — opady plus dwie składowe wiatru plus ciśnienie, które muszą być ze sobą fizycznie spójne, a nie tylko niezależnie wiarygodne — to zasadnicza praca inżynierska w tym wydaniu. Wiatr i opady, które się ze sobą nie zgadzają, są gorsze niż każde z nich osobno.

Repozytorium v1 zebrało szesnaście polubień od stycznia. Repozytorium v2 ma jedno, dwa dni po swoim ostatnim commicie. Ta różnica nie jest komentarzem na temat jakości; to migawka tego, jak cicho ukazało się to konkretne wydanie.

Co nie jest poznawalne z zewnątrz i prawdopodobnie przez jakiś czas nie będzie.

Nie ma hostowanego endpointu. Nie ma API, cennika, ceny za token ani możliwości jej istnienia, ponieważ to nie jest autoregresyjny model tekstowy. Nie ma nic na żadnym rankingu modeli i prawdopodobnie nic się nie pojawi, ponieważ ocena, która ma tu znaczenie, to wierność dystrybucyjna względem symulacji referencyjnej, a żaden publiczny ranking tego nie mierzy. Nie ma niezależnej reprodukcji, żadnego benchmarku firm trzecich ani integracji z frameworkami poza własnym pakietem Pythona Ai2 — konfiguracje odwołują się do biblioteki fme oraz repozytorium ai2cm/ace i do niczego więcej.

Praktyczną konsekwencją jest to, że uruchomienie HiRO-ACEv2 dzisiaj oznacza pobranie 10,9 GB i wykonanie go na własnym sprzęcie. Nie ma żadnego wywołania, które można wykonać. Każdy, kto pisze, że ten model jest „dostępny na” jakiejś platformie, opisuje link do pobrania.

Uczciwe podsumowanie stanu tego wydania jest takie: wagi istnieją, przepis istnieje, artykuł istnieje, a dostawca nie powiedział nic. Jeśli Ai2 pójdzie wzorem styczniowego wydania, ogłoszenie może pojawić się w ciągu kilku dni i niczego nie zmienić w samym artefakcie. Jeśli tak się nie stanie, model pozostanie taki, jaki jest — siedzi w repozytorium z kompletnym README i bez publiczności.

Gdzie warstwa routingu pomaga, a gdzie nie

Jasne postawienie sprawy jest bardziej użyteczne niż naciąganie na to wzmianki o produkcie: OrcaRouter nie ma nic do routowania w przypadku HiRO-ACEv2. Nie hostujemy go, nie pojawia się w naszym katalogu i nie mogłoby się tam pojawić w obecnej formie, ponieważ nie ma endpointu rozliczanego za tokeny, który można postawić przed wywołującym.

Prawdą jest, że praca wokół takiego modelu to praca z modelami językowymi. Skrypty sterujące zespołem obejmującym wiele dekad, kod odczytujący metadane NetCDF i sprawdzający sensowność kształtów pól przed uruchomieniem, podsumowywanie statystyk rozkładu ze stu przebiegów, czytanie artykułu i zamienianie go w listę kontrolną — ta warstwa to zwykłe generowanie tekstu i kodu, i to właśnie w tej warstwie wywoływanie modelu na żądanie ma sens. Do tej warstwy służy klucz API i dlatego pojedynczy klucz obsługujący ponad dwieście modeli, z przekazywaną ceną katalogową dostawcy i automatycznym przełączaniem awaryjnym, gdy dostawca zawodzi, warto mieć, nawet gdy model naukowy w centrum potoku działa na twoim własnym GPU.

Co zmieniłoby tę stronę?

Trzy rzeczy, w kolejności malejącego prawdopodobieństwa. Ogłoszenie od Ai2 potwierdziłoby, że wydanie jest gotowe, a nie jest commitem stagingowym, i dałoby frameworkowi punkt odniesienia do cytowania inny niż preprint. Uruchomienie przez kogoś spoza Ai2 — jedna grupa odtwarzająca twierdzenie o 300-krotnym wnioskowaniu na własnym sprzęcie albo publikująca porównanie z numerycznym GSRM na tej samej maszynie — zamieniłoby najważniejszy wynik pracy z twierdzenia w dowód. A potok dalszego przetwarzania, który przyjmuje wielowymiarowe dane wyjściowe, wiatry i ciśnienie obok opadów, byłby pierwszym prawdziwym testem tego, czy spójność fizyczna drugiego etapu się utrzyma, gdy ktoś inny niż jego autorzy będzie na niej polegać.

Żaden z nich nie jest powodem, by ignorować to wydanie. To normalne, że dojrzała dziedzina po cichu wypuszcza swoją drugą generację, a artykuł jest miejscem, w które warto zajrzeć. Jest to powód, by być precyzyjnym co do tego, co zostało pokazane, co jak dotąd oznacza: pliki są tam, przepis jest udokumentowany, a liczby pochodzą od samych autorów.

Takie ciche wydanie to również moment, by sprawdzić, co poszło nie tak wcześniej: udokumentowane incydenty związane ze sztuczną inteligencją i awarie agentów wokół modeli tej klasy zebrano w the OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, ocenę wiarygodności i oznaczenie sporności.