HiRO-ACEv2: Ai2 lade ut 10,9 GB klimatemulatorvikter online utan att berätta det för någon

HiRO-ACEv2 är inte en språkmodell, och det är det första man bör få klart för sig. Det är ett ramverk för klimatemulering i två steg från Allen Institute for AI, och den 12 oktober 2026 kl. 16:43 UTC skapade institutet ett Hugging Face-repositorium under namnet allenai/HiRO-ACEv2 som innehåller ungefär 10,9 GB checkpoint-filer, drivdata och initialvillkor. Två dagar senare, den 14 oktober kl. 13:15 UTC, fick repositoriet sin sista commit. I skrivande stund har det en enda gillamarkering, inga nedladdningar, ingen diskussionstråd, inget tillkännagivande från Ai2, inget blogginlägg och ingen pressbevakning. Den enda offentliga förklaringen till vad utgåvan innehåller är en preprint som dök upp på arXiv den 13 oktober, en dag efter vikterna.

Det som gör detta värt en sida i stället för en axelryckning är skillnaden från den första generationen. Ai2 släppte HiRO-ACE i januari 2026, och det gjorde en sak: 3 km nederbörd. HiRO-ACEv2 lägger till 10-metersvindar i östlig och nordlig riktning samt medelhavsnivåtryck i utdata, utöver nederbörd, vilket flyttar det från en nederbördsnedskalare till något närmare en användbar atmosfärisk fältgenerator för 3 km-skalan. Det är en verklig kapacitetsförändring, inte en versionsuppdatering. Huruvida den håller är en separat fråga, och en som ingen utanför Ai2 har besvarat ännu.

Vad finns i repositoriet, fil för fil?

Det här är den del som är fullt möjlig att känna till, så det är den del som är värd att läsa noggrant. Allt nedan har lästs från repots egen fillistning och metadata.

• HiROv2.ckpt — 1 376 737 727 byte, cirka 1,28 GiB. Detta är själva diffusionsmodellen för nedskalning, den komponent som artikeln kallar HiRO, där HiRO står för "High Resolution Output."

• ACE2S-X-SHiELD.ckpt — 3 201 380 831 byte, cirka 2,98 GiB. Den grovupplösta emulatorn som matar den: en autoregressiv modell av X-SHIELD, den globala stormupplösande modellen, förgrovad till 100 km.

• forcing_data/ — tio NetCDF-filer, forcing_2014.nc till forcing_2023.nc, ungefär 609 MB vardera. Niohundratrettio megabyte av det fönstret är konditioneringsindata, och dess tioåriga spann är exakt det träningsfönster som båda checkpointarna är begränsade till.

• initial_conditions/ — ic_2014.nc och ic_2023.nc, 118 253 505 byte vardera. Två ändpunkter för den period som utgåvan är inställd att köra.

• Tre YAML-konfigurationer och ett shellskript — ace2s_inference_config_global.yaml, hiro_downscaling_ace2s_global_output.yaml, hiro_downscaling_ace2s_pnw_output.yaml och run-hiro-ace.sh. Konfigurationen för Stillahavsnordväst ligger bredvid den globala, vilket är en tydlig fingervisning om vilken region författarna använde som sitt praktiska exempel.

README-filen är 5 345 byte och är mestadels ett recept: ladda ner repot, pip install fme, rikta fyra fält i ACE-konfigurationen mot dina sökvägar, rikta HiRO-konfigurationen mot ACE-körningens utdatakatalog, kör skalskriptet. Koden finns i Ai2:s publika klimatemulator-repositorium och dokumentationswebbplatsen marknadsför för närvarande paketet som fme v2026.5.1, med en stående varning om att kodbasen stöder intern forskning och att brytande API-ändringar förekommer. Vikterna är Apache 2.0, där Ai2:s Responsible Use Guidelines kopplar forsknings- och utbildningssyfte till licensbeviljandet.

Vad preprinten hävdar, och vad modellkortet inte kommer att säga för den

Preprinten har titeln "Extrema händelser och statistik i en AI-emulator av en globalt stormupplösande modell", och dess första version lades upp på arXiv den 13 oktober 2026 kl. 04:18 UTC under physics.ao-ph, med tio författare från Ai2:s klimatteam. Nästan varje siffra en läsare skulle vilja ha kommer från den snarare än från modellkortet, och var och en av dessa siffror är författarnas egen och inte reproducerad av någon annan.

Huvudpåståendet gäller kostnaden: artikeln anger att inferens är mer än 300 gånger billigare än att köra en konventionell numerisk global stormupplösande modell. Det är den typ av siffra som avgör om en teknik är en forskningskuriositet eller ett operativt verktyg, så det är värt att vara precis om vad den egentligen är. Det är en jämförelse av en AI-emulator mot en klass av numerisk simulering, gjord av dem som byggde emulatorn, på hårdvara och inställningar som de valde. Ingen tredje part har upprepat den.

Det andra påståendet handlar om svansar. HiRO-ACEv2 rapporteras följa referensfördelningarna för nederbörd och vind nära ytan upp till 99,9999:e percentilen, och i stort följa referensfördelningen för tropiska cykloners intensitet. Att få den yttersta svansen rätt är den svåra delen av detta problem och anledningen till att artikeln finns överhuvudtaget – en emulator som träffar medelvärdet exakt men missar extremvärdena är värdelös för precis de frågor människor vill ställa om tropiska cykloner och översvämningar. Mekanismen som författarna beskriver är flera denoisers vid inferenstid, plus ändringar i datasampling, brussampling och förlustviktning under träning.

Vad modellkortet inte gör är att ange en benchmark-siffra. Det finns ingen tabell, ingen poäng, ingen post i resultattavlan. Kortet gör kvalitativa påståenden — raden om 99,9999:e percentilen är den enda kvantitativa siffran i det — och listar sedan begränsningar med ovanlig öppenhet. Båda checkpointarna tränades på nio år av X-SHIELD, 2014 till 2022. Utdata reproducerar X-SHIELD, inte observationer, så de ärver referenssimuleringens biaser snarare än den verkliga atmosfärens. Ramverket är inte avsett för väderprognoser. Det är inte testat utanför 66°S till 70°N och kan inte köras bortom 88°S eller 88°N. Nedskalning av regioner större än den 16×16, engradiga träningsrutan kan producera diskontinuiteter eller blandningsartefakter vid rutans gränser. Och kortet noterar att ACE2S-X-SHIELD är mindre rigoröst testat än den tidigare ACE2-ERA5-serien.

Läser man de två styckena tillsammans säger de något specifikt: detta är en forskningsartefakt med en bakomliggande artikel, släppt med sina begränsningar bifogade, och inte en produktlansering med en benchmarktabell. Det är ett normalt och respektabelt sätt att leverera vetenskap. Det är också något annat än en modell som man kan utvärdera mot en offentlig resultattavla, och gapet mellan de två är den ärliga statusen för det här släppet.

Deltat från v1 är den egentliga historien här

HiRO-ACE, utgåvan från januari 2026, genererade 6-timmarsmedelvärden för ytnederbördsintensiteter vid 3 km. Det var hela utdataytan. v2-ramverket lägger till momentana 10-metersvindar mot öster och norr samt havsnivåtryckfält med 6-timmarsfrekvens, vid sidan av nederbörd.

Det spelar roll på grund av vad det andra steget är. HiROv2 är en diffusionsmodell som tar indata på 100 km och producerar fält på 3 km; artikeln beskriver den som ett tvåstegssystem där en autoregressiv emulator genererar en förgrovad X-SHIELD vid 100 km, och en separat tränad diffusionsmodell regionalt nedskalar den utdatan till 3 km. Att utöka nedskalaren från ett enda skalärt fält till ett multivariat — nederbörd plus två vindkomponenter plus tryck, som måste vara fysikaliskt konsistenta med varandra, inte var för sig plausibla — är det väsentliga ingenjörsarbetet i den här utgåvan. Vind och nederbörd som inte stämmer överens med varandra är sämre än någon av dem var för sig.

V1-repositoriet har samlat sexton gillningar sedan januari. V2-repositoriet har en, två dagar efter sin senaste commit. Den skillnaden är inte en kommentar om kvaliteten; det är en ögonblicksbild av hur tyst just den här utgåvan släpptes.

Vad som inte går att veta utifrån, och förmodligen inte kommer att vara det på ett tag

Det finns ingen hostad slutpunkt. Det finns inget API, ingen prislista, inget pris per token, och ingen möjlighet till något sådant, eftersom detta inte är en autoregressiv textmodell. Det finns inget på någon modelltopplista, och inget som sannolikt kommer att finnas där, eftersom den utvärdering som är relevant här är distributionell trohet mot en referenssimulering och ingen offentlig topplista mäter det. Det finns ingen oberoende reproduktion, ingen tredjepartsbenchmark, och ingen ramverksintegration utöver Ai2:s eget Python-paket — konfigurationerna refererar till fme-biblioteket och ai2cm/ace-repositoriet och inget annat.

Den praktiska konsekvensen är att om du kör HiRO-ACEv2 i dag innebär det att ladda ner 10,9 GB och köra det på din egen hårdvara. Det finns inget anrop du kan göra. Den som skriver att den här modellen "finns på" någon plattform beskriver en nedladdningslänk.

Den ärliga sammanfattningen av läget för den här utgåvan är: vikterna finns, receptet finns, artikeln finns, och leverantören har inte sagt något. Om Ai2 följer mönstret från januarisläppet kan ett tillkännagivande följa inom några dagar och inte ändra något i artefakten. Om inte förblir modellen som den är – liggande i ett repo med en komplett README och ingen publik.

Var ett routningslager hjälper och inte hjälper här

Att vara tydlig med detta är mer användbart än att sträcka ut ett produktomnämnande över det: OrcaRouter har inget att routa för HiRO-ACEv2. Vi hostar det inte, det förekommer inte i vår katalog, och det skulle inte kunna förekomma där i sin nuvarande form, eftersom det inte finns någon tokenmätt slutpunkt att sätta framför en anropare.

Vad som är sant är att arbetet kring en modell som den här är språkmodellsarbete. Skripten som driver en ensemble över flera decennier, koden som läser NetCDF-metadata och rimlighetskontrollerar fältformer före en körning, sammanfattningen av fördelningsstatistik över hundra rollouts, läsningen av en artikel till en checklista – det lagret är vanlig text- och kodgenerering, och det är lagret där det är rimligt att anropa en modell per begäran. Det lagret är vad en API-nyckel är till för, och det är därför en enda nyckel framför över tvåhundra modeller, med leverantörens listpris som förs vidare och failover som hanteras automatiskt när en leverantörs prestanda försämras, är värd att ha även när den vetenskapliga modellen i centrum av pipelinen ligger på din egen GPU.

Vad skulle ändra den här sidan

Tre saker, i fallande sannolikhetsordning. Ett tillkännagivande från Ai2 skulle bekräfta att releasen är färdig snarare än en staging-commit, och skulle ge ramverket ett citeringsobjekt annat än preprinten. En körning av någon utanför Ai2 – en grupp som reproducerar påståendet om 300 gångers inferens på sin egen hårdvara, eller publicerar en jämförelse mot en numerisk GSRM på samma maskin – skulle förvandla artikelns rubrik från påstående till bevis. Och en nedströms pipeline som tar in den multivariata utdatan, vindar och tryck tillsammans med nederbörd, skulle vara det första riktiga testet av huruvida det andra stegets fysikaliska konsistens håller när någon annan än dess författare är beroende av den.

Inget av dessa är ett skäl att ignorera släppet. Att ett moget fält levererar sin andra generation i tysthet är normalt, och artikeln är platsen att titta. Det är ett skäl att vara precis om vad som har visats, vilket hittills är: filerna finns där, receptet är dokumenterat, och siffrorna är författarnas egna.

En så tyst lansering är också stunden att kontrollera vad som har gått fel tidigare: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive , där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.