FGN
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Google DeepMind
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 12 June 2025
- Autores
- Ferran Alet, Ilan Price, Andrew El-Kadi, Dominic Masters, Stratis Markou, Tom R. Andersson, Jacklynn Stott, Remi Lam, Matthew Willson, Alvaro Sanchez-Gonzalez, Peter Battaglia
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Earth science
- Tarea
- Weather forecasting
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 720M
- Datos de entrenamiento
- tokens
"In this work we train 𝐽 = 4 models. To ensemble their predictions, we generate an equal number of ensemble member trajectories from each model" "FGN is a larger model, with ∼180m parameters per model seed" They train a 4 model ensemble with 180M parameters per model. Total parameters: 4*180=720M
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 9.6 × 10²¹ FLOP
- Cómo se estableció
- Hardware
TPU v5 FLOPs: 459000000000000 TPU v6 FLOPs: 918000000000000 They train for 490 TPU days, with an unspecified mix of v5 and v6. Assuming same proportion of both TPU and a utilization of 0.33. Mean TPU FLOPs: 688500000000000 Compute: 490*24*60*60*688500000000000*0.33=9618950880000001000000
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- Google TPU v5p,Google TPU v6e Trillium
- Tiempo de reloj
- 72 hours
"Training FGN takes approximately 3 wall clock days, using a combined total of 490 TPUv5p and TPUv6e days of compute. " It's unclear if training a single model or the whole ensemble takes 3 days.
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
"This paper presents FGN, a simple, scalable and flexible modeling approach which significantly outperforms the current state-of-the-art models" "FGN achieves state-of-the-art cyclone track prediction" "Our results show FGN offers substantial improvements over previous ML-based probabilistic weather models, and sets a new state-of-the-art in ensemble forecasting. It outperforms GenCast with both the skill of its marginal forecasts, including on extreme weather, as well as its skill in forecast…
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Skillful joint probabilistic weather forecasting from marginals
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
FGN fue publicado por Google DeepMind, en el país registrado como United States of America, durante June 2025. La organización editora está clasificada como industry.
Funciona en el dominio de Earth science, y se registra como realizando la tarea de weather forecasting.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 9.6 × 10²¹ FLOP, en hardware registrado como Google TPU v5p,Google TPU v6e Trillium. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Su criterio de inclusión: sOTA improvement.
Respuestas
FGN — preguntas comunes
FGN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
FGN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 720M. "In this work we train 𝐽 = 4 models. To ensemble their predictions, we generate an equal number of ensemble member trajectories from each model" "FGN is a larger model, with ∼180m parameters per model seed" They train a 4 model ensemble with 180M parameters per model. Total parameters: 4*180=720M. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
FGN— ¿Quién lo creó?
Fue publicado por Google DeepMind, basado en United States of America, una organización categorizada como industry.
FGN— ¿cuándo fue lanzado?
Se publicó en June 2025.
FGN— ¿Para qué se utiliza?
Funciona en el dominio de Earth science, y se registra como manejando la tarea de weather forecasting. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
FGN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 9.6 × 10²¹ FLOP, en hardware registrado como Google TPU v5p,Google TPU v6e Trillium. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
FGN— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.