📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Прогноз погоды — это как попытка предсказать, куда покатится камень по склону, зная форму каждого бугорка и силу ветра. Ошибёшься в начале — и через неделю ошибка вырастет в целую бурю. Раньше для точных прогнозов нужны были огромные компьютеры и многодневные расчёты. Теперь появилась модель Sonny, которая делает то же самое на одной видеокарте.

Sonny работает в два шага. Сначала узкий, но глубокий слой модели следит за крупными движениями воздуха — как наблюдатель, который видит весь склон целиком и понимает, куда в целом катится камень. Потом широкий слой добавляет детали: тепло, влагу, трение. Такой подход позволяет не утонуть в мелочах, но и не потерять общую картину. Чтобы прогноз не разваливался на длинных сроках, во время обучения используют простое правило: модель всё время немного усредняет свои параметры, как бы оглядываясь на прошлые шаги.

Тропики — самое капризное место для прогнозиста. Там воздух насыщен влагой, и малейший толчок может породить тайфун. Sonny научилась видеть такие зарождающиеся вихри раньше, чем другие лёгкие модели. Это важно для стран, где тайфуны каждый год разрушают дома и уносят жизни.

Камень на склоне — это погода. Sonny не просто смотрит на него, а понимает, как неровности земли и порывы ветра изменят его путь. И делает это настолько дёшево, что теперь точный прогноз может позволить себе даже небольшая университетская группа.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2603.21284

Weather forecasting is a fundamental problem for protecting lives and infrastructure from high-impact atmospheric events. Recently, data-driven weather forecasting methods based on deep learning have demonstrated strong performance, often reaching accuracy levels competitive with operational numerical systems. However, many existing models rely on large-scale training regimes and compute-intensive architectures, which raises the practical barrier for academic groups with limited compute resources. Here we introduce Sonny, an efficient hierarchical transformer that achieves competitive medium-range forecasting performance while remaining feasible within reasonable compute budgets. At the core of Sonny is a two-stage StepsNet design: a narrow slow path first models large-scale atmospheric dynamics, and a subsequent full-width fast path integrates thermodynamic interactions. To stabilize medium-range rollout without an additional fine-tuning stage, we apply exponential moving average (EMA) during training. On WeatherBench2, Sonny yields robust medium-range forecast skill, remains competitive with operational baselines, and demonstrates clear advantages over FastNet, particularly at extended tropical lead times. In practice, Sonny can be trained to convergence on a single NVIDIA A40 GPU in approximately 5.5 days.