weather
PulseAugur coverage of weather — every cluster mentioning weather across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新清单指导地球系统模型中人工智能/机器学习的环境影响评估
研究人员开发了一个清单，以帮助机器学习和人工智能领域的从业者评估和减轻其在地球系统模型应用中的环境影响。该清单将有关道德和可持续人工智能开发的现有文献提炼成研究人员可采取的行动步骤。它按照模型开发流程进行组织，并包括用于估算能源消耗和碳足迹的指标，旨在弥合原则与实际研究决策之间的差距。
-
Google Pixel 11 系列将支持 25W 无线充电和应用图标重新设计
Google 将为其 Pixel 11 系列带来多项增强功能，包括为所有型号提供 25W Qi2 无线充电功能，较往年仅高端版本支持此功能有所升级。此外，Google 还重新设计了相机、计算器、时钟、录音机和天气等多个核心 Pixel 应用的图标，以符合其最新的设计原则。
-
量子-经典混合模型在NISQ硬件上处理时间序列预测
研究人员开发了新的量子-经典混合框架，用于多变量时间序列预测，旨在运行在近期含噪声的中等规模量子（NISQ）硬件上。这些框架，包括量子水库预测器（QRC-F）和变分量子预测器（VQF-F），将时间序列数据转换为量子态，并利用纠缠来捕捉变量间的依赖关系。实验表明，与经典方法相比，这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高，并可能应用于各种预测任务。
-
QuantFlow：联邦Mamba模型增强时间序列预测
研究人员推出QuantFlow，一个新颖的用于时间序列预测的联邦学习框架。该模型结合了倒序序列嵌入、双向Mamba状态空间解码器和分位数回归，以处理长序列、高维度和隐私敏感数据。QuantFlow在包括加密货币、交通和天气在内的各种数据集上表现出色，同时在去中心化部署中保持准确性，而无需集中化原始数据。该框架在可扩展和注重隐私的时间序列预测方面显示出潜力，尽管它在处理不规则信号和长周期泛化方面存在局限性。
-
Diffusion-LLM 将扩散模型与 LLM 集成，实现鲁棒的时间序列预测
研究人员开发了一个名为 Diffusion-LLM 的新框架，该框架集成了条件扩散模型和大型语言模型（LLMs），用于时间序列预测。该方法旨在通过实现校准概率建模和更好地对齐异构表示来解决标准 LLM 在处理多模态数据方面的局限性。Diffusion-LLM 框架在 ETT、Weather 和 ECL 等多个基准的超长期和少样本预测任务上表现出改进的性能，展示了增强的鲁棒性和泛化能力。
-
新的光学系统HAMON实现了14%的预测精度提升
研究人员开发了HAMON，一种用于长视界时间序列预测的新型无源光学系统。该系统将历史数据编码到光学孔径上，并使用可训练的相位掩模通过自由空间衍射直接在输出场中塑造预测，从而在推理过程中无需数字序列混合层。HAMON在ETTm2和ETTh2等基准测试中表现出卓越的性能，在MSE方面优于强大的数字基线高达14%，同时在天气数据上取得了有竞争力的结果，在交通和电力数据集上表现不一。
-
AI利用卫星和天气数据预测六个月后的饥荒
一个AI系统正在被开发，用于预测长达六个月的饥荒。这种预测能力依赖于分析公开的卫星图像和天气数据。目标是为人道主义援助和干预提供早期预警。
-
苹果 iOS 27 将带来重大设计改版和简化的Liquid Glass
据报道，苹果公司正计划对iOS 27进行重大的设计改版，重点是简化“Liquid Glass”等功能。此次即将推出的更新预计将在WWDC上发布，还将对相机、Safari和天气等核心应用程序进行更改。在此次重大发布之前，苹果公司还准备推出iOS 26.5，其中将包含一些小幅调整，然后才会全面发布下一个主要操作系统。
-
新基准量化LLM在不同领域的API差异
研究人员开发了一个新框架，用于衡量不同大型语言模型（LLM）在为任务检索和排序外部API时存在多少分歧。研究发现，在各种API领域和主要模型家族中，一致性适中但存在显著差异，具体取决于任务类型。结构化任务显示出更高的一致性，而开放式推理任务导致更大的分歧，这凸显了多智能体LLM协调中潜在的安全风险。