WeatherNext 3, el tercer modelo meteorológico global de Google DeepMind y Google Research, aprende ahora de imágenes satelitales en vivo y de estaciones meteorológicas en lugar de depender sólo de la salida, con seis horas de retraso, de los modelos físicos. En la tabla pública que lo compara con sus rivales todos los días, también queda primero en general, por delante de su propio predecesor, WeatherNext 2, con una diferencia de 0,02 K de error.
Qué cambió: observaciones crudas en vez de la salida de otro modelo
Google DeepMind y Google Research presentaron WeatherNext 3 el 3 de septiembre de 2026, junto con un paper en arXiv el mismo día. El modelo es una única Functional Generative Network, un transformer de malla alimentado cada hora con mosaicos de satélites geoestacionarios y datos históricos de análisis, que produce pronósticos en cuadrícula, trayectorias de ciclones y predicciones por estación.
Esa entrada de datos es el cambio central. WeatherNext 2 entrenaba con la salida cada seis horas de los modelos físicos de análisis. WeatherNext 3 ingiere datos satelitales de baja latencia de forma directa, lo que le permite emitir un pronóstico global nuevo cada hora en vez de cada seis. La resolución para temperatura y humedad de superficie llega a 5 km, frente a la cuadrícula de 25 km de WeatherNext 2 actualizada cada seis horas — Google describe el salto como «unas cinco veces más nítido». El paper reporta una resolución de 0,1 grados con pasos horarios para variables de un solo nivel, incluidas radiación solar y cobertura de nubes, que califica de equivalente a los modelos físicos globales.
Los pronósticos de precipitación se entrenan con el conjunto satelital IMERG de la NASA y con la propia reconstrucción de precipitación por satélite y radar de Google. El modelo también suma dos variables pensadas para el pronóstico energético: velocidad del viento a altura de turbina (100 m) y radiación solar de superficie. Los datos de estación, además, le permiten predecir temperatura a 2 metros y punto de rocío en ubicaciones concretas, incluidas estaciones con las que no se entrenó, según el paper — una evaluación de los propios autores que todavía no tiene réplica independiente.
Dónde funciona ya, y las cifras que la tabla pública no muestra
WeatherNext 3 ya está activo en Google Search, la app de Gemini, Google Maps, la Maps Platform Weather API y Earth Engine, y sus datos se pueden consultar en BigQuery y Earth Engine o descargar desde Cloud Storage. Google dice que el modelo trae pronósticos de precipitación «hasta un 50% más precisos» con un día o más de anticipación, con las mayores ganancias en regiones que señala como históricamente desatendidas por el pronóstico de alta resolución: América Latina, África y Asia-Pacífico. La empresa reporta además mejoras de CRPS en precipitación a mediano plazo de hasta 60% frente a IMERG, 30% frente al producto de radar MRMS y 10% frente a pluviómetros «para plazos cortos», sin nombrar en esa frase el modelo de referencia. Ambas cifras son de la propia Google, y ninguna aparece desglosada en la tabla pública que se describe abajo.
La afirmación de «más preciso», contrastada con un marcador público
Google llama a WeatherNext 3 el modelo global más preciso «según evaluaciones en vivo independientes de Brightband». El Operational WeatherBench de Brightband sí puntúa a diario modelos de IA y físicos contra lo que hace realmente la atmósfera, usando el propio kit de herramientas abierto de Google Research, WeatherBench-X — un detalle que conviene leer junto a la palabra «independiente»: puntuación de terceros, sobre un estándar creado por Google.
Consultada el 12 de septiembre de 2026, con el último ciclo puntuado del 4 de septiembre a las 12Z (la tabla va unos siete días por detrás del tiempo real mientras espera los datos de verificación), WeatherNext 3 sí ocupa el primer puesto en la métrica principal de la tabla, el error RMSE de temperatura a 850 hPa a siete días: 1,31 K, ganando 17 de los últimos 29 ciclos diarios. WeatherNext 2 queda segundo con 1,33 K y 11 victorias. El conjunto de IA de ECMWF, AIFS-ENS, sigue con 1,40 K, luego su conjunto físico IFS-ENS con 1,52 K, su corrida de alta resolución HRES con 1,80 K, y el GFS de la NOAA con 2,11 K. Por región, WeatherNext 3 gana en los trópicos, en ambos hemisferios y en Norteamérica, pero WeatherNext 2 sigue ganando en Europa, con 9 de 25 ciclos en esa misma métrica.
Dos afirmaciones, comprobadas por separado
El pronóstico del tiempo se puntúa en público todos los días, así que las dos afirmaciones de este lanzamiento se pueden comprobar por separado. La arquitectónica se sostiene en el paper: un modelo de IA entrenado con satélites y estaciones en bruto, en lugar de con el análisis de otro modelo con seis horas de retraso, que actualiza cada hora con resoluciones comparables a las de los modelos físicos globales. La de «más preciso» se sostiene en el número principal de la propia tabla, pero el margen sobre WeatherNext 2 es de 0,02 K, el predecesor sigue ganando en Europa, y las ganancias en precipitación y temperatura local que Google destaca no son la métrica que muestra esa tabla.
La clasificación general es la señal más duradera: los cuatro primeros modelos en la tabla de Brightband son sistemas de IA, con el conjunto físico de ECMWF en quinto lugar y su corrida insignia HRES en el noveno. Eso habría sido el titular hace dos años; ahora es la referencia contra la que WeatherNext 3 midió una ventaja de 0,02 K. Lo que ese promedio no cubre —el desempeño ante ciclones, ante fenómenos extremos que los modelos han visto poco, y el costo de cómputo de hacerlos correr— no aparece publicado en las fuentes revisadas para este lanzamiento.