# Pangu Weather de Huawei: encadenar modelos con distintos intervalos de predicción Lectura técnica de US20250258318A1: selección de intervalos, transferencia de estados previstos y combinación de datos meteorológicos. Source: https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models INICIO / Noticias y análisis Noticias y análisis Pangu Weather de Huawei: encadenar modelos con distintos intervalos de predicción Lectura técnica de US20250258318A1: selección de intervalos, transferencia de estados previstos y combinación de datos meteorológicos. IA 2026.10.14 publicado IPLEX 8 min de lectura Definir primero la hora que debe describir el pronóstico Un equipo de reparto necesita conocer las condiciones previstas a la llegada, no solo el tiempo al salir. La organización de eventos, la construcción y la previsión de generación eléctrica plantean necesidades similares. La solicitud publicada US20250258318A1 de Huawei Cloud describe cómo obtener datos meteorológicos y un tiempo objetivo para seleccionar los modelos que permitan alcanzarlo. Puede tratarse de un instante, un período o una zona determinada. El método también figura en EP4603879A1. La publicación estadounidense es de 14 de agosto de 2025; un documento A1 no acredita por sí solo una patente concedida. La entrada puede incluir temperatura, humedad, viento y otras variables. La inferencia aplica modelos ya entrenados a esos nuevos datos. Una biblioteca de modelos para distintos pasos temporales Un modelo de una hora necesita muchas ejecuciones para llegar a un horizonte lejano. La solución descrita elige modelos para intervalos diferentes —por ejemplo, una hora, tres horas o un día— y el número de veces que se utilizará cada uno. El entrenamiento puede comparar una predicción obtenida de datos históricos con el estado observado en el momento posterior correspondiente. No se trata simplemente de cambiar el nombre del mismo modelo. Pueden variar las entradas, la arquitectura, el entrenamiento y el algoritmo de inferencia iterativa. La biblioteca también admite varios modelos para un mismo intervalo. La selección relaciona el horizonte solicitado con los modelos disponibles y sus repeticiones. Transferir el estado previsto entre etapas El primer modelo recibe los datos iniciales; su predicción alimenta al siguiente, hasta obtener el estado del tiempo objetivo. La descripción incluye una combinación de tres, doce y setenta y dos horas, que suma 87 horas. También permite repetir un modelo. Este flujo secuencial difiere de ejecutar varios modelos de forma independiente sobre los datos originales. El orden puede seguir distintas reglas; no existe una única secuencia obligatoria para todas las realizaciones. Deben ser coherentes la hora de partida de cada etapa, su intervalo y la hora de su salida. Un reparto hipotético del lunes al martes Supongamos que el lunes a las 08:00 se necesita una previsión para el martes a las 11:00: faltan 27 horas. Un modelo de 24 horas produciría primero el estado previsto del martes a las 08:00. Ese resultado pasaría al modelo de tres horas para llegar a las 11:00. Ambos intervalos aparecen entre los ejemplos de la biblioteca descrita. El estado intermedio es una predicción, no una observación nueva tomada el martes. Las imágenes explican el mecanismo; no contienen un pronóstico real ni una valoración de seguridad del reparto. El ejemplo de 24 + 3 horas permite seguir conjuntamente el avance de la marca temporal y del estado meteorológico. Plan de reparto ilustrativo: del lunes a las 08:00 al martes a las 11:00 mediante predicciones de 24 y tres horas; no es un pronóstico real ni una evaluación de seguridad. Combinar información de superficie y en altura Una realización utiliza datos bidimensionales de superficie junto con datos atmosféricos tridimensionales que incorporan la altura. Cada conjunto se procesa mediante redes neuronales para obtener vectores de características; estos se combinan para predecir y después se separan en las salidas correspondientes. Se enlazan representaciones numéricas, no dos fotografías superpuestas. Otra realización añade sesgos según la latitud o la altitud a valores intermedios o resultados del mecanismo de atención. La atención calcula relaciones entre los elementos de entrada; los sesgos incorporan información espacial. Su función es distinta de la selección de los intervalos temporales. Relacionar la divulgación con las aplicaciones del producto Los materiales de Pangu describen aplicaciones meteorológicas para temperatura, humedad, viento, presión al nivel del mar, precipitaciones y trayectorias de tifones. Ayudan a comprender posibles usos, pero no prueban que todos los productos incorporen cada característica de la solicitud. Un equipo hipotético de eventos debe distinguir la hora de referencia y la hora prevista cuando actualiza su planificación. La solicitud contempla también varias combinaciones de modelos para el mismo tiempo objetivo, con presentación o integración de sus resultados. Esta extensión de tipo conjunto es diferente del encadenamiento de estados por una sola ruta. No exige múltiples combinaciones para todas las peticiones. Explicar la cadena de tratamiento para valorar una invención El análisis técnico y de patentes debe identificar datos iniciales, cálculo del tiempo objetivo, reglas de selección, estados intermedios y salida final. Conviene documentar la coherencia de formatos y tiempos entre modelos, así como la unión y separación de las representaciones de superficie y altura. Deben distinguirse la preparación de modelos y la atención de una solicitud concreta. Precisar entradas, selección, conexiones y salidas permite a los equipos técnico y comercial debatir diferencias verificables. El nombre de un producto de predicción con IA no explica por sí solo esas diferencias ni determina el alcance de una patente. Leer el análisis técnico original Solicitud publicada estadounidense US20250258318A1 Solicitud europea publicada EP4603879A1 Información oficial del producto Huawei Cloud Pangu Análisis técnico de FlashAttention-2 Análisis técnico de RAG de Baidu Especialización en patentes de IA y análisis técnico Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos EN ESTA PÁGINA Definir primero la hora que debe describir el pronóstico Una biblioteca de modelos para distintos pasos temporales Transferir el estado previsto entre etapas Un reparto hipotético del lunes al martes Combinar información de superficie y en altura Relacionar la divulgación con las aplicaciones del producto Explicar la cadena de tratamiento para valorar una invención HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente Solicitud de patente sin derecho: ¿quién debe probarla? ↗ Anterior Un diseño de baldosa distinto también puede ser rechazado ↗ Artículos relacionados IA 2026.10.15 PaTH Attention: codificar el recorrido entre tokens Análisis de las transformaciones de Householder dependientes de la entrada, el seguimiento de estados y los límites experimentales de PaTH. ↗ Lea el artículo IA 2026.10.13 LaCT: memoria temporal de IA actualizada en bloques grandes Análisis técnico de los pesos rápidos, la eficiencia de GPU y el orden causal de LaCT, con las condiciones y límites de sus experimentos. ↗ Lea el artículo IA 2026.10.12 La patente de edición con IA de Adobe: conservar originales y alternativas en capas Una explicación de US12462456B2: máscaras de entrada y del objeto, capas generativas y datos que permiten retomar una edición. ↗ Lea el artículo - https://www.iplexlaw.co.kr/es - https://www.iplexlaw.co.kr/es/blog/category/ai - https://iplexlaw.tistory.com/10 - https://image-ppubs.uspto.gov/dirsearch-public/print/downloadPdf/20250258318 - https://data.epo.org/publication-server/rest/v1.0/publication-dates/20250820/patents/EP4603879NWA1/document.pdf - https://www.huaweicloud.com/product/pangu - https://www.iplexlaw.co.kr/es/blog/flashattention-2-gpu-work-partitioning - https://www.iplexlaw.co.kr/es/blog/baidu-rag-knowledge-conflict-resolution - https://www.iplexlaw.co.kr/es/ai-patents - https://www.iplexlaw.co.kr/ko/blog/huawei-pangu-weather-time-interval-models - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models#case-pangu-en-0 - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models#case-pangu-en-1 - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models#case-pangu-en-2 - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models#case-pangu-en-3 - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models#case-pangu-en-4 - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models#case-pangu-en-5 - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models#case-pangu-en-6 - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog/brunch-case-1831 - https://www.iplexlaw.co.kr/es/blog/brunch-case-1830 - https://www.iplexlaw.co.kr/es/blog/path-attention-householder-transformations - https://www.iplexlaw.co.kr/es/blog/path-attention-householder-transformations - https://www.iplexlaw.co.kr/es/blog/lact-large-chunk-test-time-training - https://www.iplexlaw.co.kr/es/blog/lact-large-chunk-test-time-training - https://www.iplexlaw.co.kr/es/blog/adobe-non-destructive-generative-editing - https://www.iplexlaw.co.kr/es/blog/adobe-non-destructive-generative-editing