Por qué el huracán Beryl experimentó una intensificación rápida sin precedentes

La intensificación sin precedentes del huracán Beryl es un “presagio” para el resto de la temporada

El huracán Beryl cobró fuerza y ​​pasó de ser una depresión tropical a un huracán de categoría 4 de forma inusualmente temprana en su desarrollo, en parte debido a las aguas oceánicas excepcionalmente cálidas.

El huracán Beryl se intensificó rápidamente desde una depresión tropical el 28 de junio a un gran huracán de categoría 4 el 1 de julio, la tormenta de categoría 4 más temprana registrada en la cuenca del océano Atlántico.

El viernes pasado se formó una nueva depresión tropical en el océano Atlántico. Apenas dos días después se había convertido en un monstruoso huracán de categoría 4 y se dirigía hacia las Islas de Barlovento. La tormenta tocó tierra en Granada el lunes.

La ocurrencia de tales intensificación rápida Esta etapa temprana de la temporada de huracanes en el Atlántico y en ese lugar ha dejado a los meteorólogos atónitos.

“Beryl está reescribiendo los libros de historia de manera totalmente equivocada”, escribió Eric Blake, un científico de huracanes de alto rango en el Centro Nacional de Huracanes (NHC), en un artículo. Publicar en X (antes Twitter).


Sobre el apoyo al periodismo científico

Si le gusta este artículo, considere apoyar nuestro periodismo galardonado suscribiéndoseAl comprar una suscripción, usted contribuye a garantizar el futuro de historias impactantes sobre los descubrimientos e ideas que dan forma a nuestro mundo actual.


Y es probable que no sea el único huracán excepcional de esta temporada, dadas las condiciones favorables para el desarrollo de tormentas, especialmente las aguas oceánicas extremadamente cálidas. “Creo que es una especie de presagio de lo que será la temporada de huracanes”, dice Brian McNoldy, investigador de huracanes de la Universidad de Miami. “Creo que veremos algunos eventos atípicos bastante sorprendentes”.

Antes del inicio oficial de la temporada de huracanes del Atlántico el 1 de junio, el NHC pronosticó que Es probable que se produzcan entre 17 y 25 tormentas con nombre para cuando esa temporada termine el 30 de noviembre. (Las tormentas reciben un nombre una vez que alcanzan la fuerza de tormenta tropical o subtropical, lo que significa que tienen vientos de al menos 39 millas por hora). De ellos, se espera que entre ocho y 13 se conviertan en huracanes. Y de cuatro a siete de esos huracanes probablemente se fortalecerán hasta convertirse en huracanes importantes.Categoría 3 o superior). Este es el mayor número de tormentas con nombre que el NHC haya pronosticado jamás; una temporada atlántica promedio tiene 14 tormentas con nombre, siete huracanes y tres huracanes importantes.

Hay dos factores principales en juego en esta perspectiva. En primer lugar, hay aguas excepcionalmente cálidas en el Atlántico, el Caribe y el Golfo de México. En este momento, “las temperaturas del océano allí parecen ser las mismas que en el pico de la temporada de huracanes” en el Atlántico en septiembre, dice McNoldy.

Además, está el deterioro actual del reciente patrón climático de El Niño y el posible desarrollo de un fenómeno de La Niña este año. El vaivén entre estos dos patrones climáticos cambia la forma en que se libera calor a la atmósfera, lo que provoca un efecto dominó en los patrones de circulación atmosférica. Un fenómeno de El Niño provoca más cizalladura del viento sobre el Atlántico, que puede destrozar las tormentas, mientras que las condiciones neutras o de La Niña pueden hacer que la atmósfera sea mucho más favorable para el desarrollo de huracanes.

Teniendo en cuenta esos factores, Beryl era exactamente el tipo de tormenta que preocupaba a los meteorólogos. “Al comenzar esta temporada, esta tormenta era una de las cosas de las que hablábamos”, dice McNoldy, en términos de “ver cómo se forman tormentas y cómo se intensifican donde y cuando normalmente no lo harían”.

Antes de Beryl, nunca se había conocido un huracán que se formara tan al este en junio, dice McNoldy. La única otra tormenta que se acercó fue durante la temporada récord de 1933, antes de que se les diera nombre a las tormentas. Beryl es también el huracán de categoría 4 más temprano registrado en el Atlántico; el poseedor del récord anterior fue el huracán Dennis el 8 de julio de 2005, durante otra temporada de gran éxito. “Esos no son dos años en los que quieras batir récords”, dice McNoldy. Si Beryl se convierte en una tormenta de categoría 5 en los próximos días, añade, batirá otro récord. El huracán de categoría 5 más temprano fue el huracán Emily el 16 de julio de 2005.

Por lo general, estos huracanes tan fuertes no se forman tan temprano en la temporada ni tan al este porque las condiciones suelen ser mucho menos propicias para ellos. Las temperaturas del océano tienden a ser más frías a principios del verano y los sistemas de baja presión que se forman cada pocos días en la costa occidental de África (que pueden convertirse en las semillas de los huracanes) a menudo se encuentran con tormentas de polvo del Sahara que frenan el desarrollo de tormentas.

Por razones similares, la enorme explosión de fuerza de Beryl en tan poco tiempo es atípica en tormentas de esta etapa temprana de la temporada. Las únicas tormentas comparables han ocurrido cerca o en el pico de la temporada atlántica en agosto y septiembre, cuando hay abundante calor oceánico para alimentar la convección que impulsa los huracanes. La intensificación rápida se define como cuando los vientos de una tormenta aumentan al menos 35 mph en 24 horas. Beryl aumentó 63 mph durante ese mismo período. Varios estudios sugieren que más tormentas experimentarán una intensificación rápida, y a un ritmo más rápido, a medida que el clima continúe calentándose.

Un aumento tan grande de fuerza en tan solo uno o dos días puede dejar a las áreas en la trayectoria de la tormenta sin preparación para el ataque. Ese es particularmente el caso en las Islas de Barlovento, donde los huracanes importantes son muy poco frecuentes. La última tormenta de este tipo que se acercó a menos de 160 kilómetros de donde golpeó Beryl fue el huracán Iván, que azotó Granada como una tormenta de categoría 3 en 2004. “Calificar esto como anómalo sería quedarse muy corto”, dice McNoldy.

Es posible que Beryl haya causado daños considerables en las Islas de Barlovento. “Sería algo aterrador aquí en Miami, donde todo es una estructura de bloques de hormigón; tiene los códigos de construcción más estrictos del país”, afirma McNoldy. En el caso de estas pequeñas islas del Caribe, “puede acabar con ellas por completo”.

Es probable que Beryl no sea la última tormenta que establezca récords esta temporada, ya que se espera que continúen las condiciones oceánicas y atmosféricas que favorecen los huracanes. “Sospecho que esta no será la última de estas que nos sorprenda”, dice McNoldy. “Tenemos un largo camino por recorrer”.

You missed

Conozca Nemotron Labs 3 Puzzle 75B A9B: un LLM MoE híbrido comprimido que ofrece un rendimiento de servidor 2,03x[0]Los modelos MoE híbridos grandes como Nemotron-3-Super son precisos pero costosos de mantener. Sus parámetros activos, caché KV y estado de Mamba limitan la cantidad de usuarios que puede contener un nodo a una determinada tasa de token por usuario. El equipo de IA de NVIDIA lanzó Nemotron-Labs-3-Puzzle-75B-A9B, una variante comprimida de Nemotron-3-Super. El modelo principal tiene 120,7 mil millones de parámetros totales y 12,8 mil millones activos. El modelo comprimido tiene 75,3 mil millones de parámetros totales y 9,3 mil millones de parámetros activos. El objetivo de implementación se solucionó antes de que comenzara la búsqueda de arquitectura. El objetivo uno era duplicar el rendimiento del servidor a 100 tokens por segundo por usuario. El objetivo dos eran 8 solicitudes simultáneas de 1 millón de tokens en un solo H100. Tres puntos de control en Hugging Face: BF16, FP8 y NVFP4. TL;DR Los 120,7B/12,8B activos se comprimen a 75,3B/9,3B activos, conservando el diseño híbrido de 88 bloques. El rendimiento total de 8xB200 aumenta de 1,60x a 2,14x con respecto a Super con NVFP4 coincidente y rendimiento de usuario coincidente. La simultaneidad de un solo token H100 de 1 millón va de 1 a 8, impulsada por una caída de peso de 70 GB a 44,5 GB. El rompecabezas iterativo supera al rompecabezas de un solo paso en 0,57 puntos promedio en el mismo objetivo de compresión. Arena-Hard-V2 (-4,2) y SWE-Bench (-2,6) son los costes reales; RULER y AA-LCR apenas se mueven. Nemotron-Labs-3-Puzzle-75B-A9B Nemotron-3-Super es un modelo híbrido Mamba-Transformer MoE. Puzzle-75B-A9B conserva exactamente el diseño del bloque principal. Tiene 88 bloques: 40 Mamba, 40 MoE y 8 bloques de atención. Lo que cambió es la capacidad dentro de esos bloques: CantidadSuperPuzzle-75B-A9BRatioParámetros totales120.7B75.3B62.4%Parámetros activos12.8B9.3B73.1%Tamaño de estado de Mamba SSM1289675%Tamaño intermedio experto enrutado MoE26881280-2688Media 59.9%Expertos enrutados activados por token224-18Media 50%Capacidad experta enrutada activa (relativo)100%8,7%-62,3%Media 30,9% El número de expertos enrutados, el tamaño de expertos compartido y el tamaño latente del MoE no cambian. Las capas de atención quedaron intactas. La razón declarada por la investigación propuesta es que Nemotron-3-Super ya es muy eficiente en cuanto a caché KV. Las capas de Mamba se podaron de manera uniforme, porque los marcos de inferencia no admiten un tamaño de estado SSM diferente por capa. https://arxiv.org/pdf/2607.04371 El resultado no es un profesor uniformemente reducido. La figura anterior muestra la asignación en profundidad. Puzzle conservó la capacidad en capas intermedias y tardías seleccionadas, y cortó con fuerza en otras partes. Punto de referencia y rendimiento La siguiente tabla informa el rendimiento total óptimo de Pareto en un único nodo 8xB200, con decodificación en un solo paso. Escenario (entrada/salida)Piso UTSuper (tok/s)Puzzle-75B-A9B (tok/s)Boost50K / 2K>= 1005,1288,2101.60x50K / 2K>= 1253,7846,4121.69x50K / 2K>= 1502,5324,5231.79x8K / 64K>= 10020,93942,6012.03x8K / 64K>= 12513,07427,9182.14x8K / 64K>= 1508,52218,0472.12x Ambos modelos se entregaron con pesos NVFP4 coincidentes, caché FP8 KV y estado Mamba FP16. Por lo tanto, la brecha refleja compresión, no un cambio en el formato numérico. El régimen 50K/2K con precarga pesada es el que menos gana. El régimen 8K/64K con gran decodificación es el que más gana. En un solo nodo 8xH100 en UT = 100, las ganancias son menores. Son 1,91x en 50K/2K y 1,82x en 8K/64K. Ambos modelos utilizan pesos FP8, caché FP8 KV y estado FP32 Mamba. En un único H100 en un contexto de 1M, la restricción de enlace pasa de la computación a la memoria. Los pesos NVFP4 de Super ocupan alrededor de 70 GB del presupuesto de 80 GB de HBM. Cada solicitud de token de 1 millón agrega aproximadamente 4 GB de caché KV. Por tanto, la concurrencia efectiva es 1. El peso NVFP4 del Puzzle-75B-A9B ocupa alrededor de 44,5 GB. El diseño de atención no cambia, por lo que el costo de KV por solicitud no cambia. La simultaneidad en 1M aumenta a 8. El rendimiento de decodificación agregado en esa simultaneidad es aproximadamente 4 veces el rendimiento de solicitud única de Super. El llenado previo de una solicitud de 990 000 tokens es aproximadamente 1,2 veces más rápido. Cómo funciona el rompecabezas iterativo Puzzle es un marco de búsqueda de arquitectura neuronal descompuesta, implementado aquí como Puzzletron. Define un espacio de búsqueda discreto de implementaciones de capas alternativas. Cada alternativa obtiene una puntuación de calidad. Luego, un programa de enteros mixtos selecciona una alternativa por capa bajo una restricción de implementación. Tres técnicas de poda forman el espacio de búsqueda: Poda de canales intermedios: los canales dentro de cada experto enrutado se clasifican según su contribución a la salida del experto. Todos los expertos dentro de una capa MoE se reducen a un tamaño uniforme para lograr compatibilidad con el kernel. Reducción de top-k: la cantidad de expertos a los que se enruta un token varía según la capa, hasta el k = 22 del padre. Poda de Mamba SSM: el tamaño del estado de SSM cae de 128 a 96 canales. Se mide el resultado del SSM. Bajar 128 canales a 96 acelera el kernel SSM de 1,2x a 1,3x durante la decodificación. Esto se mantiene en tamaños de lote entre 8 y 512. Los canales se clasificaron según su contribución estimada a la producción de la capa Mamba. La estimación promedió más de 67 millones de tokens de datos de validación. El Apéndice A muestra que esto supera la selección aleatoria de canales bajo una poda agresiva. La formulación original asume que los impactos en la calidad del reemplazo son aproximadamente aditivos. Cada bloque candidato se puntúa dentro del padre no modificado. Eso ignora las interacciones de orden superior entre reemplazos. Iterative Puzzle alterna la compresión limitada con una breve recuperación de destilación de conocimientos. Construye una secuencia M0, M1,… MR en lugar de saltar al objetivo. Las puntuaciones se vuelven a calcular con respecto al modelo comprimido actual, no al modelo original. Se utilizaron tres etapas: El Ministerio de Educación pondera el 75% de la capacidad docente, el estado de Mamba SSM el 75%. Curado por 24 mil millones de fichas. El Ministerio de Educación pondera el 60% de la capacidad docente. Curado por 43,2 mil millones de tokens. Se activó el presupuesto de expertos encaminado al 50%, asignado de forma heterogénea. Curado por 52,8 mil millones de tokens. https://arxiv.org/pdf/2607.04371 La tabla anterior compara esto con una línea base de Puzzle de un solo paso en el mismo objetivo. El procedimiento de tres pasos tiene un promedio de 69,05 en diez puntos de referencia, frente a 68,48. Las ganancias aparecen en MMLU-Pro, GPQA, HLE, AA-LCR, LiveCodeBench, SciCode y RULER-256K. IFBench-Instruction cayó 0,2 puntos y IFBench-Prompt cayó 0,5. Recuperación: destilación, RL y verbosidad La destilación de conocimientos se ejecutó con un 30 % de datos de preentrenamiento y un 70 % de datos SFT de Nemotron-3-Nano. Durante la fase de rompecabezas, KD utilizó una secuencia de 32K de longitud. Luego, Recovery entrenó a 128K y escaló a 512K. El presupuesto era de hasta 100 mil millones de tokens, con un lote global de 16 millones de tokens, en Megatron-LM. La capacitación posterior de RL adoptó la Etapa 2 del proceso Nemotron-3-Super RL, centrada en la ingeniería de software. La fase 2.1 realizó una comparación del uso de herramientas en un solo paso. La fase 2.2 pasó a la zona de pruebas RL de extremo a extremo, donde los agentes corren hasta 200 turnos. Ambas fases utilizaron una penalización de KL de 0. El equipo barrió las tasas de aprendizaje y luego promedió los pesos resultantes. https://arxiv.org/pdf/2607.04371 La Figura 4 anterior muestra lo que aportó cada etapa. KD de contexto corto recupera la mayoría de las categorías a más del 97% de Nemotron-3-Super. Luego, KD de contexto largo eleva específicamente los puntos de referencia de entrada larga y de generación larga. El equipo de investigación afirma que el impacto de RL en estos experimentos fue pequeño. La verbosidad es el detalle silencioso. Después de la última iteración de Puzzle, el modelo generó el 132% del recuento de tokens de Super. Eso cayó al 99% después del proceso de recuperación total. Implementación: cuantificación y predicción de tokens múltiples Se produjeron dos recetas de cuantificación posteriores al entrenamiento: FP8 W8A8 apunta a Hopper y NVFP4 W4A4 apunta a Blackwell. Componente Línea base BF16 Punto de control FP8 Punto de control NVFP4 GEMM MoE dispersos y compartidos BF16FP8NVFP4 Mamba GEMM BF16FP8FP8 Mamba Caché SSM FP32FP32FP16 + Caché SRKV FP8FP8FP8 Enrutador FP32FP32FP32 Atención QKV/salida, proyecciones latentes MoE, LM cabezaBF16BF16BF16 Ambas recetas se calibraron en 256 muestras SFT posteriores al entrenamiento. NVFP4 utilizó la calibración máxima, no la búsqueda de sensibilidad AutoQuantize utilizada para Super. El punto de control resultante se cuantifica de forma ligeramente más agresiva y se realiza de manera similar. NVFP4 no es compatible de forma nativa con Hopper. Todavía se utiliza para el objetivo H100 de contexto 1M, porque la capacidad de HBM se vincula allí. Puzzle-75B-A9B hereda un cabezal MTP compartido de Super. Los parámetros se comparten entre los pasos de MTP, por lo que un cabezal se aplica de forma recursiva en la inferencia. La transferencia directa de la cabeza entrenada de Super dio longitudes de aceptación similares. Luego, el equipo de investigación identifica una discrepancia entre el entrenamiento y la inferencia. El entrenamiento MTP forzado por el maestro alimenta la secuencia completa de estados ocultos desplazados. En cambio, la redacción autorregresiva alimenta una combinación de modelos de destino y estados ocultos generados por MTP. Las tasas de aceptación caen en posiciones de draft más profundas. Esto se soluciona mediante una formación continua de la cabeza transferida. En SPEED-Bench con una longitud de calado 7, la longitud media de aceptación aumentó de 3,45 a 4,34. Eso es aproximadamente entre el 25% y el 30%, concentrado en puestos posteriores del draft. A diferencia de Super, el punto de control NVFP4 apenas se degrada: 4,31 frente a 4,34. Dónde ayuda la compresión y dónde duele Benchmark (BF16)SuperPuzzle-75B-A9BDeltaMMLU-Pro83.882.4-1.4AIME25 (sin herramientas)92.289.7-2.5GPQA (sin herramientas)80.578.6-1.9LiveCodeBench82.181.1-1.0SciCode (subtarea)42.340.6-1.7SWE-Bench (OpenHands)59.556.9-2.6Arena-Hard-V272.868.6-4.2AA-LCR56.856.9+0.1REGLA 1M93.992.2-1.7MMLU-ProX79.577.5-2.0 El propio resumen del artículo de investigación es que el seguimiento de instrucciones y las evaluaciones agentes son las que más pierden. Arena-Hard-V2 es el peor de los casos, con -4,2 puntos. RULER se mantiene dentro de aproximadamente 1 a 2 puntos en 256K, 512K y 1M. Tres resultados de BF16 no retroceden. AA-LCR gana 0,1, Scale AI Multi-Challenge empata en 56,6 y TauBench Telecom gana 0,4. NVFP4 cuesta poco además de la compresión. En RULER 1M, el punto de control NVFP4 obtiene una puntuación de 93,2, por encima del 92,2 de BF16. HLE es el costo de NVFP4 más claro, cayendo de 16,5 a 15,7. Los resultados del 8PM se encuentran en el Apéndice E y siguen de cerca al BF16. SWE-Bench no está incluido en el punto de control del 8PM. Casos de uso RAG de contexto ultralargo en una GPU: un servicio de análisis de documentos en un contexto de 1 millón pasa de 1 solicitud simultánea a 8. El rendimiento de decodificación agregado en esa concurrencia es aproximadamente 4 veces mayor. Asistentes de codificación interactivos: en UT >= 100 tok/s en el régimen 8K/64K, un nodo sirve 2,03 veces los tokens. Ajustado por detalle, es decir, 2,16 veces las solicitudes completadas por minuto. Canalizaciones de documentos con gran cantidad de precarga: el régimen de 50.000/2.000 gana solo 1,60 veces. La compresión ayuda menos cuando el procesamiento rápido domina la computación. Bucles SWE agentes: verifique la brecha SWE-Bench de 2,6 puntos con su combinación de tareas. La recuperación de RL apuntó a esta capacidad y solo la restauró parcialmente. Explorador de implementación ‘+esc(r