MetNet-3 模型可创建“平滑且高精度”的预测，空间解析度可达 1 至 4 公里，并以 2 分钟为分析区间，经实验证明，MetNet-3 的预测能力超越传统物理天气预报模型，例如传统物理基础模型“NWP(Numerical Weather Prediction)”及“快速刷新模型(HRRR)”均被 MetNet-3 超过。
MetNet-3 在预测天气上，与其他建立在传统方法之上的机器学习方法不同，关键点在于 MetNet-3 直接通过大气观测资料进行训练和评估。研究人员提到，直接观测的优点在于数据密度及解析度更高。此外，除了继承先前 MetNet 模型的数据之外，MetNet-3 还新增学习来自气象站的气温、风力测量资料，以尝试对所有位置进行全方位天气预测。
研究人员提到，MetNet-3 的关键创新在于使用了一种称为致密化(Densification)的技术，用以改进天气预报的准确性和范围。
在传统物理基础模型中，天气预报通常需要经过两个步骤，分别是数据同化(Data Assimilation)和模拟(Simulation)，数据同化是指将实际观测资料融入到模型中，而模拟则是根据这些数据预测天气。
在 MetNet-3 中，致密化技术是透过神经网络将“数据同化”和“模拟”两个步骤合并在一起，达到更快更直接的天气预测，这将使模型在获取和处理资料时更高效，也能够利用神经网络来改善天气预报的准确性。并可让 MetNet-3 模型能够单独处理每一个特定数据流，包含等高信息、卫星信息与雷达信息等，进而获得更为准确且全面的天气预报。
此外，采用“直接观测”的数据作为学习样本，为 MetNet-3 模型带来基于空间和时间的高解析度优势，气象站和地面雷达站能够用每隔几分钟的频率，以 1 公里的解析度提供特定位置的测量资料。相比之下，即便是目前世界上最先进的物理模型，也只能每 6 小时生成一次 9 公里解析度的资料，并提供每小时预报。
而 MetNet-3 能够以短至 2 分钟的时间间隔，有效地处理和模拟收集到的观测资料，结合致密化技术、提前时间调节(Lead Time Conditioning)技术和高解析度直接观测方法，MetNet-3 可以产生时间解析度达 2 分钟的 24 小时预报，提供使用者更加精准和即时的天气预测信息。
此外，相较于气象站观测的天气信息，MetNet-3 还使用了来自地面雷达所收集的降水估计值，因此学习数据范围更广，无论是在风速还是降水等方面，MetNet-3 的预测结果都比业界最先进的物理模型好上不少。
MetNet-3 的主要价值在于，能够即时以机器学习技术准确地预测天气，并在谷歌的产品上提供天气预报服务。该模型根据不断搜集的最新数据，持续地创建完整精确地预报，研究人员提到，这和传统的物理推理系统不同，更能够满足天气预报的独特需求。
