FGN
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Google DeepMind
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 12 June 2025
- Auteurs
- 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
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Earth science
- Taak
- Weather forecasting
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 720M
- Training gegevens
- 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
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 9.6 × 10²¹ FLOP
- Hoe het werd opgericht
- 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
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Google TPU v5p,Google TPU v6e Trillium
- Kloktijd
- 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.
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Unreleased
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- 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…
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Skillful joint probabilistic weather forecasting from marginals
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
FGN werd gepubliceerd door Google DeepMind, in het land geregistreerd als United States of America, tijdens June 2025. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Earth science, en wordt geregistreerd als het uitvoeren van de taak van weather forecasting.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Wat erin ging zitten om het te bouwen
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 9.6 × 10²¹ FLOP, op hardware vastgelegd als Google TPU v5p,Google TPU v6e Trillium. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De inclusiecriteria: sOTA improvement.
Antwoorden
FGN — veelgestelde vragen
FGN— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
FGN— hoeveel parameters heeft het?
Het heeft een parameter telling van 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. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
FGN— wie heeft het gemaakt?
Het werd gepubliceerd door Google DeepMind, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
FGN— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2025.
FGN— waarvoor wordt het gebruikt?
Het werkt in het domein van Earth science, en wordt geregistreerd als het afhandelen van weather forecasting. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
FGN— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 9.6 × 10²¹ FLOP, op hardware vastgelegd als Google TPU v5p,Google TPU v6e Trillium. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
FGN— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.