OmniCast：用于跨时间尺度天气预报的掩码潜空间扩散模型

基于摘要分析。该研究面向跨时间尺度的概率天气预报，针对自回归方法在次季节至季节（S2S）预测中的误差累积，提出 OmniCast，以潜空间压缩和掩码扩散生成统一建模未来天气序列；其主要研究对象是天气预测，而非 EEG 或 BCI。 核心机制包含两个组件：VAE 将原始天气数据编码为连续、低维潜空间表示；基于扩散的 transformer 根据初始条件 token 生成未来潜 token 序列。训练时随机遮蔽未来 token，通过逐 token 的扩散头，在条件 token 与可见 token 的共同条件下估计被遮蔽 token 的分布。推理时迭代解除随机 token 子集的掩码，联合采样空间与时间状态，而非逐步自回归推进。作者认为，这可缓解误差累积，低维表示则支持更长未来序列的建模。 作者报告，在中期天气预报中，OmniCast 的表现可与领先概率方法竞争，速度快 10–20 倍；在 S2S 尺度上，其准确性、物理及概率指标达到作者所称的最先进水平，并可生成最长达 100 年的稳定滚动序列。摘要未提供数据集、划分、具体基线、硬件、速度计量方式或各指标数值，这些结果的适用协议尚未验证；长期生成稳定性也不能直接等同于百年天气预测准确性。作者提供了代码与模型检查点链接，但复现所需配置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有连续时间序列及明确的未来信号预测目标，其“压缩后联合补全未来状态”的机制可能用于检验长时域预测中的误差累积。可复用掩码调度与扩散生成思路，但需改造天气 VAE、通道表征和条件输入；低信噪比、跨被试差异、通道不一致及小数据可能导致潜空间丢失任务相关信号或生成过度平滑。一个可证伪的小实验是在固定被试内时间划分、相同历史窗口和预测时域下，对比匹配容量的自回归潜空间模型与掩码扩散模型，检验预测误差随时域增长及不确定性校准，而非据此宣称 BCI 解码增益。相关 EEG 工作尚未检索确认。