arXiv 2026年10月5日该研究把训练后量化（PTQ）算法应用于 Deep Learning Weather Prediction（DLWP）和 FourCastNet（FCN）两个预训练全球天气预报模型，系统考察量化对自回归推理的影响，并用模拟量化评估表明在短时预报时段内仍能给出定性上有意义的预报，从而给出自回归天气模型 PTQ 的首个基准。该研究把训练后量化（PTQ）算法应用于 Deep Learning Weather Prediction（DLWP）和 FourCastNet（FCN）两个预训练全球天气预报模型，系统考察量化对自回归推理的影响，并用模拟量化评估表明在短时预报时段内仍能给出定性上有意义的预报，从而给出自回归天气模型 PTQ 的首个基准。研究者在 DLWP 与 FourCastNet 天气模型中实现训练后量化，短时预报仍保持定性可用该研究把训练后量化（PTQ）算法应用于 Deep Learning Weather Prediction（DLWP）和 FourCastNet（FCN）两个预训练全球天气预报模型，系统考察量化对自回归推理的影响，并用模拟量化评估表明在短时预报时段内仍能给出定性上有意义的预报，从而给出自回归天气模型 PTQ 的首个基准。该研究把训练后量化（PTQ）算法应用于 Deep Learning Weather Prediction（DLWP）和 FourCastNet（FCN）两个预训练全球天气预报模型，系统考察量化对自回归推理的影响，并用模拟量化评估表明在短时预报时段内仍能给出定性上有意义的预报，从而给出自回归天气模型 PTQ 的首个基准。