HiRO-ACEv2: Ai2 colocou 10,9 GB de pesos do Climate Emulator online e não avisou ninguém

HiRO-ACEv2 não é um modelo de linguagem, e essa é a primeira coisa que precisa ficar clara. É um framework de emulação climática em dois estágios do Allen Institute for AI, e em 12 de outubro de 2026 às 16:43 UTC o instituto criou um repositório no Hugging Face sob o nome allenai/HiRO-ACEv2 contendo aproximadamente 10,9 GB de checkpoints, dados de forçamento e condições iniciais. Dois dias depois, em 14 de outubro às 13:15 UTC, o repositório recebeu seu último commit. Até o momento desta redação, ele tem uma única curtida, nenhum download, nenhum tópico de discussão, nenhum post de anúncio da Ai2, nenhuma entrada de blog e nenhuma cobertura da imprensa. A única explicação pública do que o lançamento contém é um preprint que apareceu no arXiv em 13 de outubro, um dia depois dos pesos.

O que faz isto valer uma página em vez de um encolher de ombros é a diferença em relação à primeira geração. A Ai2 lançou HiRO-ACE em janeiro de 2026, e ele fazia uma coisa: precipitação de 3 km. O HiRO-ACEv2 adiciona ventos de 10 metros para leste e para norte e pressão média ao nível do mar à saída, além da precipitação, o que o desloca de um downscaler de precipitação para algo mais próximo de um gerador utilizável de campos atmosféricos para a escala de 3 km. Isso é uma mudança real de capacidade, não um incremento de versão. Se isso se sustenta é uma questão separada, e uma que ninguém fora da Ai2 ainda respondeu.

O que há no repositório, arquivo por arquivo

Esta é a parte que é totalmente conhecível, por isso é a parte que vale a pena ler com atenção. Tudo abaixo foi lido da própria listagem de arquivos e metadados do repositório.

• HiROv2.ckpt — 1.376.737.727 bytes, cerca de 1,28 GiB. Este é o próprio modelo de redução de escala por difusão, o componente que o artigo chama de HiRO, sigla de "High Resolution Output".

• ACE2S-X-SHiELD.ckpt — 3.201.380.831 bytes, cerca de 2,98 GiB. O emulador de baixa resolução que o alimenta: um modelo autorregressivo do X-SHIELD, o modelo global que resolve tempestades, com resolução reduzida para 100 km.

• forcing_data/ — dez arquivos NetCDF, de forcing_2014.nc até forcing_2023.nc, aproximadamente 609 MB cada. Novecentos e trinta megabytes dessa janela são entrada de condicionamento, e seu intervalo de dez anos é exatamente a janela de treinamento à qual ambos os checkpoints estão limitados.

• initial_conditions/ — ic_2014.nc e ic_2023.nc, 118.253.505 bytes cada. Dois extremos do período para o qual a versão está configurada para ser executada.

• Três configurações YAML e um script de shell — ace2s_inference_config_global.yaml, hiro_downscaling_ace2s_global_output.yaml, hiro_downscaling_ace2s_pnw_output.yaml e run-hiro-ace.sh. A configuração do Noroeste do Pacífico fica ao lado da global, o que é uma boa pista sobre qual região os autores usaram como exemplo prático.

O README tem 5.345 bytes e é principalmente uma receita: baixe o repositório, pip install fme, aponte quatro campos na configuração do ACE para os seus caminhos, aponte a configuração do HiRO para o diretório de saída da execução do ACE, execute o script de shell. O código está no repositório público climate-emulator da Ai2 e o site de documentação atualmente anuncia o pacote como fme v2026.5.1, com um aviso permanente de que a base de código dá suporte à pesquisa interna e de que ocorrem alterações na API que quebram compatibilidade. Os pesos são Apache 2.0, com as Responsible Use Guidelines da Ai2 vinculando a intenção de pesquisa e educacional à concessão da licença.

O que o preprint afirma, e o que o cartão do modelo não dirá em seu favor

O preprint tem como título "Eventos extremos e estatísticas em um emulador de IA de um modelo global que resolve tempestades", e sua primeira versão foi publicada no arXiv em 13 de outubro de 2026 às 04:18 UTC, na categoria physics.ao-ph, com dez autores da equipe de clima da Ai2. Quase todos os números que um leitor gostaria de ter vêm dele, em vez da ficha do modelo, e cada um desses números é dos próprios autores e não foi reproduzido por mais ninguém.

A afirmação principal é o custo: o artigo afirma que a inferência é mais de 300 vezes mais barata do que executar um modelo numérico convencional de resolução global de tempestades. Esse é o tipo de número que decide se uma técnica é uma curiosidade de pesquisa ou uma ferramenta operacional, por isso vale a pena ser preciso sobre o que ele é. É uma comparação de um emulador de IA contra uma classe de simulação numérica, feita pelas pessoas que construíram o emulador, em hardware e configurações que elas escolheram. Nenhum terceiro repetiu isso.

A segunda afirmação é sobre caudas. Relata-se que o HiRO-ACEv2 acompanha distribuições de referência de precipitação e de ventos próximos à superfície até o 99,9999º percentil, e que segue amplamente a distribuição de referência de intensidade de ciclones tropicais. Acertar a cauda extrema é a parte difícil deste problema e a própria razão de o artigo existir — um emulador que acerta em cheio a média e erra os extremos é inútil exatamente para as perguntas que as pessoas querem fazer sobre ciclones tropicais e inundações. O mecanismo descrito pelos autores consiste em múltiplos denoisers no momento da inferência, além de mudanças na amostragem de dados, na amostragem de ruído e na ponderação da perda durante o treinamento.

O que o cartão do modelo não faz é fornecer um número de benchmark. Não há tabela, nem pontuação, nem entrada em ranking. O cartão faz afirmações qualitativas — a linha do percentil 99,9999 é o único dado quantitativo nele — e depois lista limitações com incomum franqueza. Ambos os checkpoints foram treinados em nove anos de X-SHIELD, de 2014 a 2022. As saídas reproduzem o X-SHIELD, não observações, então herdam os vieses da simulação de referência em vez dos da atmosfera real. A estrutura não é para previsão do tempo. Ela não foi testada fora de 66°S a 70°N e não pode ser executada além de 88°S ou 88°N. O downscaling de regiões maiores que o patch de treinamento de 16 por 16, de um grau, pode produzir descontinuidades ou artefatos de mesclagem nos limites do patch. E o cartão observa que o ACE2S-X-SHIELD foi testado com menos rigor do que a linha ACE2-ERA5 anterior.

Lidos em conjunto, esses dois parágrafos dizem algo específico: isto é um artefato de pesquisa com um artigo por trás, lançado com suas limitações anexadas, e não um lançamento de produto com uma tabela de benchmark. Essa é uma maneira normal e respeitável de lançar ciência. Também é uma coisa diferente de um modelo que você pode avaliar em relação a um leaderboard público, e a lacuna entre esses dois é o estado honesto deste lançamento.

A diferença em relação à v1 é o que realmente importa aqui.

O HiRO-ACE, a versão de janeiro de 2026, gerou taxas de precipitação à superfície médias de 6 em 6 horas, a 3 km. Essa era toda a saída de superfície. A estrutura v2 acrescenta campos instantâneos de vento a 10 metros para leste e para norte e de pressão ao nível do mar com frequência de 6 em 6 horas, juntamente com a precipitação.

Isso importa por causa do que é o segundo estágio. HiROv2 é um modelo de difusão que recebe entradas de 100 km e produz campos de 3 km; o artigo o descreve como um sistema de dois estágios em que um emulador autorregressivo gera X-SHIELD com resolução reduzida a 100 km, e um modelo de difusão treinado separadamente faz downscaling regional dessa saída para 3 km. Estender o downscaler de um único campo escalar para um multivariado — precipitação mais duas componentes do vento mais pressão, que precisam ser fisicamente consistentes entre si, não plausíveis independentemente — é a engenharia substancial neste lançamento. Vento e precipitação que discordam entre si são piores do que qualquer um deles sozinho.

O repositório v1 acumulou dezesseis curtidas desde janeiro. O repositório v2 tem uma, dois dias após seu último commit. Essa diferença não é um comentário sobre qualidade; é um retrato de quão discretamente este lançamento específico saiu.

O que não é possível saber de fora, e provavelmente não será por um tempo.

Não há endpoint hospedado. Não há API, nem tabela de preços, nem preço por token, e nem possibilidade de haver, porque este não é um modelo de texto autorregressivo. Não há nada em nenhum leaderboard de modelos, e é provável que nunca haja, já que a avaliação que importa aqui é a fidelidade distribucional a uma simulação de referência e nenhum leaderboard público mede isso. Não há reprodução independente, nem benchmark de terceiros, nem integração com frameworks além do próprio pacote Python da Ai2 — as configurações fazem referência à fme biblioteca e ao repositório ai2cm/ace e nada mais.

A consequência prática é que executar o HiRO-ACEv2 hoje significa baixar 10,9 GB e executá-lo no seu próprio hardware. Não há chamada que você possa fazer. Qualquer pessoa que escreva que este modelo está "disponível em" alguma plataforma está descrevendo um link de download.

Então, o resumo honesto do estado deste lançamento é: os pesos existem, a receita existe, o artigo existe, e o fornecedor não disse nada. Se a Ai2 seguir o padrão do lançamento de janeiro, um anúncio pode vir nos próximos dias e não mudar nada no artefato. Se não o fizer, o modelo permanece como está — parado em um repositório com um README completo e sem público.

Onde uma camada de roteamento ajuda e onde não ajuda aqui

Ser claro quanto a isto é mais útil do que forçar uma menção ao produto: o OrcaRouter não tem nada para rotear para o HiRO-ACEv2. Não o hospedamos, ele não aparece no nosso catálogo e não poderia aparecer lá na sua forma atual, porque não há nenhum endpoint com medição de tokens para colocar à frente de um chamador.

O que é verdade é que o trabalho em torno de um modelo como este é trabalho de modelo de linguagem. Os scripts que conduzem um ensemble de várias décadas, o código que lê metadados NetCDF e faz verificações de sanidade nas dimensões dos campos antes de uma execução, o resumo de estatísticas de distribuição em cem rollouts, a leitura de um artigo para transformá-lo em uma checklist — essa camada é geração comum de texto e código, e é a camada em que chamar um modelo por solicitação faz sentido. É para isso que serve uma chave de API, e é por isso que uma única chave diante de mais de duzentos modelos, com o preço de tabela do provedor repassado e o failover tratado automaticamente quando um provedor degrada, vale a pena ter, mesmo quando o modelo científico no centro do pipeline está na sua própria GPU.

O que mudaria esta página

Três coisas, em ordem decrescente de probabilidade. Um anúncio da Ai2 confirmaria que a versão final está concluída, e não que é um commit de staging, e daria ao framework outro alvo de citação além do preprint. Uma execução por alguém de fora da Ai2 — um grupo reproduzindo a alegação de inferência de 300 vezes em seu próprio hardware, ou publicando uma comparação contra um GSRM numérico na mesma máquina — transformaria a manchete do artigo de alegação em evidência. E um pipeline a jusante que ingere a saída multivariada, ventos e pressão junto com precipitação, seria o primeiro teste real de se a consistência física do segundo estágio se sustenta quando alguém além dos seus autores depende disso.

Nada disso é razão para ignorar o lançamento. É normal uma área madura lançar sua segunda geração discretamente, e o artigo é o lugar onde se deve olhar. É uma razão para ser preciso quanto ao que foi mostrado, que até agora é: os arquivos estão lá, a receita está documentada, e os números são dos próprios autores.

Um lançamento tão discreto também é o momento de verificar o que já deu errado antes: os incidentes de IA documentados e as falhas de agentes envolvendo modelos desta classe estão reunidos no Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz as suas próprias fontes, gravidade, grau de confiança e indicação de contestação.