WeatherNext 3与多模态视频理解更新，AI模型竞争正在转向哪些能力？

同一周内，Google DeepMind与Google Research发布了两项似乎彼此独立的更新：一项是把AI气象预报推进到5公里全球网格与小时级刷新，另一项是让多款Gemini Flash模型获得智能体视频理解能力。把它们并置来看，重点并不是Google推出了一个统一产品，而是两条能力路线同时浮出水面：一侧指向高分辨率物理世界预测，另一侧指向对长视频等非结构化数据的主动处理。

WeatherNext 3：把预报精度推向站点级

WeatherNext 3最直接的变化体现在空间和时间粒度上。它提供5公里分辨率的全球预报，并每小时刷新一次。与许多早期AI气象模型相比，这个组合更接近业务系统真正需要的更新频率。Google表示，该模型会开始为搜索、地图和Gemini中的天气信息提供支持，研究者也可以通过Google云平台访问它。对普通用户而言，变化会先体现在常用产品中；对研究者来说，更值得关注的是模型开始直接吸收全球静止卫星拼接作为输入，而不是只依赖传统数值预报的分析结果。

过去三年，AI天气模型一直在缩小与物理预报之间的差距，但两个问题仍没有解决：分辨率不足以刻画局地地形，初始化依赖约晚六小时到达的数值天气预报分析。WeatherNext 3试图同时处理这两个问题。另一个有代表性的能力是面向具体气象站做定向预报，例如把预测落到特定机场。这让模型输出更接近真实应用现场，而不是只给出一张平滑的区域图。

Gemini Flash：从逐帧处理转向按需检查

另一项更新发生在视频理解上。此前，静态处理是更常见的默认路径：模型按每秒1帧抽取画面，处理单通道低码率音频，并每秒插入时间戳。这种方式对长视频并不经济，许多帧和音频段落与问题无关，还会推高token消耗。Google为多款Gemini Flash模型推出的智能体视频理解，则把这个过程改成一个循环：模型先结合自身推理判断需要查看哪些片段，再调用原生视频工具去搜索、扫描和检查帧、音频或转录，只加载提示词实际需要的部分。按照给出的数据，这项能力最多可将视频token减少88%。

它带来的变化不是单纯提高识别精度，而是把视频从“必须整体输入的对象”变成“可以按需检索的信息源”。对开发者来说，这类能力更适合需要从长视频中定位关键片段的任务，而不是适合所有视频场景。资料没有给出具体产品名单，只提到面向多款Gemini Flash模型，因此判断时应聚焦处理机制，而不是把它当成某一个独立应用。

两条路线在竞争什么

两项更新不能合并成一个产品叙事，但它们放在一起能看出AI模型竞争的焦点正在变化。WeatherNext 3关注的是物理世界的连续变化，竞争点在于分辨率、刷新频率，以及能否直接进入搜索、地图等产品；Gemini Flash的视频理解关注的是长时域信息，竞争点在于模型能否在控制成本的同时自主找到相关片段。前者把预测从区域图推向具体地点，后者把理解从逐帧扫描推向按需检查。

对产业观察者来说，更值得关注的是后续是否会沿着同样方向出现新指标：气象模型能否继续缩短初始化延迟、覆盖更多地点；视频模型能否把智能体处理延伸到更多模态和更复杂的工具调用。两个方向都反映出同一种趋势：模型不再只是完成一次静态推断，而是被要求更主动地决定要处理什么、忽略什么。