Marchuk：用于随机天气预报的紧凑潜空间流匹配模型

基于摘要分析。本文研究中期至次季节尺度的全球概率天气预报，提出具有 276M 参数的潜空间流匹配 Transformer——Marchuk，以单个大气状态和日历相位为条件，联合采样时间间隔为 6 小时的密集天气轨迹。 方法结合可变预测跨度训练、分离的空间与时间条件，以及潜空间 CRPS 微调。训练使用 1、2、4、8 天的片段；推理时通过同一网络自回归组合四天片段，将预报延伸至 45 天。其机制重点是以共享模型衔接不同预测跨度，并通过概率分布层面的优化支持集合预报，而非仅输出单条确定性轨迹。 作者报告，Marchuk 在与更大的潜空间模型及业务集合预报基线比较时保持竞争力，并支持高效生成 50 成员集合预报；摘要未给出具体分数、计算成本或完整比较协议。在留出的 2018 年预报评估中，作者使用周尺度距平相关及长时间滚动的结构诊断，考察次季节信号与空间变异的保留情况。直接预测与分段组合的转移研究中，作者报告较短片段组合改善了 RMSE 和 CRPS，并将结果解释为：即使未使用一致性损失，不同路径的终点边缘分布仍具有部分相容性。该结论不等同于已证明完整轨迹分布一致。 论文主要对象是大气时空场，而非 EEG 或 BCI。可变跨度建模与分段生成具有一般时序方法参考价值，但尚无材料支持其在低信噪比、跨被试神经信号上的有效性；已有 EEG 相关工作尚未检索确认。潜空间构建、流匹配目标、CRPS 微调实现、数据划分细节、基线配置、消融及统计信息尚未验证。