在天气预报领域，传统物理预报模式长期占据主导地位，但近年来AI天气模型发展迅猛。此前，AI天气模型历经三年追赶，却仍面临两大难题：一是分辨率不够精细，难以精准刻画局部地形对天气的影响；二是初始化依赖滞后约6小时的数值天气预报（NWP）分析结果，影响预报的时效性。如今，Google DeepMind与Google Research联合推出的WeatherNext 3模型，为解决这些问题带来了新突破。
WeatherNext 3在数据输入和训练方式上大胆创新。它摒弃了以往主要依赖再分析网格的做法，直接将实时全球静止卫星拼图作为模型输入，且每小时重新初始化一次。这种做法使得模型输出的分辨率最高可达0.05°（约5公里），能更细致地呈现天气状况。同时，该模型采用原始气象站观测数据进行训练，而非仅依靠再分析网格。据Brightband的独立实时评测，WeatherNext 3被评为迄今最准确的全球天气模型。
从架构上看，WeatherNext 3属于函数生成网络（FGN）网格Transformer，与WeatherNext 2同属概率模型家族，不过它扩展到了多分辨率输出。其输入数据丰富多样，包括实时静止卫星拼图与ECMWF HRES分析，训练数据涵盖ERA5/HRES - fc0、NASA的IMERG、站点观测和卫星拼图等。多数AI预报模型从NWP再分析数据学习，会抹平海岸线、山谷和山地造成的局部差异，而WeatherNext 3用专门的观测头直接在原始站点测量数据上训练，使其0.05°的气温和露点输出能校准到仪器的真实读数。
在输出结果方面，WeatherNext 3单次前向推理可产出三档不同分辨率的结果。0.05°（约5公里）分辨率下，能输出站点训练型的2米气温与露点；0.1°（约10公里）分辨率下，可输出10米和100米地面风、气压、海表温度、云层、太阳辐射与1小时降水；0.25°（约25公里）分辨率下，能输出覆盖13个气压层的大气场。与WeatherNext 2以6小时步长输出0.25°场相比，WeatherNext 3的清晰度提升了约5倍。
刷新频率也是WeatherNext 3的一大亮点。该模型每天初始化24次，其中在00、06、12、18 UTC四个天气学周期可预报至15天（360小时），包含64个集合成员，其余小时运行覆盖48小时。对于快速发展的对流天气，这种基于当前卫星观测的小时级刷新与滞后分析的6小时循环有着本质区别，能提供更及时准确的预报。
降水预报一直是全球模型的短板，输出结果往往模糊，难以捕捉风暴边界。WeatherNext 3针对这一问题，采用ECMWF再分析、NASA IMERG卫星反演和Google自有的卫星雷达降水再分析三类数据源进行训练。Google称，在短预报时效上，其连续分级概率评分（CRPS）相比基线最多提升60%（对标IMERG）、30%（对标MRMS）和10%（对标雨量计）；在对标IMERG评估时，Brier分数与CRPS相比NWP基线最高降低50%。
WeatherNext 3还面向可再生能源领域进行了优化。模型输出的100米风速约等于风机轮毂高度，能提供完整的低/中/高云分布，以及SSRD和FDIR两项太阳辐照分量，这正是电网运营商预测风光出力所需的组合。
目前，用户可通过BigQuery、Earth Engine和Cloud Storage申请获取WeatherNext 3的预测数据，不过该模型的权重并未开源，按需自定义推理仍运行WeatherNext 2。
