One2N把0.7°预报模型推到0.07°：单张80GB GPU训练四周，中层技巧不降
核心概要
地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。
深度剖析
高分辨率全球预报不再需要把整套模型重新联合训练，已有的粗分辨率预报器可以原样冻结，只在其上追加一级可训练的残差修正。 此前的做法要么在更细网格上联合优化各组件或各分辨率层级，要么让梯度穿过动力核心，细网格带来的数组与中间激活膨胀直接转化为训练成本。 以NeuralGCM-0.7°为父模型加一级细化得到的One2N-0.07°，在2023年测试集120个匹配初始场、10天预报上，对HRES-0.07°分析的Z500、T850、Q700等对流层指标与父模型大体相当，而1至7 hPa位势的预报期平均相对RMSE降低91.10%至92.12%，1 hPa温度降低59.14%。
修正模块学的是父模型轨迹上的残差演化，父模型只通过状态接口提供条件，内部结构不改、也不需要可微。 父模型每2小时给出一次时间增量，模块把上一时刻的高分辨率残差与这一增量一起作为输入，预测下一个残差，再加到映射到目标网格的父预报上重建高分辨率状态。 模块采用三维Swin-Unet，把高分辨率残差切成100个不重叠瓦片折进通道，与5个父增量通道拼接后做三维块嵌入和窗口注意力；训练用2016至2020年HRES-0.07°分析、6小时窗口内三次2小时更新，在单张80GB A800上约四周完成。
启示与展望
演示范围是一个预报系统、一个细化层级（两级模型）和中期预报，训练与评估都围绕NeuralGCM-0.7°到0.07°这一条路径展开；对已有系统复用与从零训练粗基线两种起点，只有前者被实际基准测试。
总成本如何随分辨率和细化深度扩展尚未建立，因为父模型前向积分、目标网格状态存储和残差网络计算仍然存在；训练目标HRES-0.07°本身是融合观测与模式背景的分析产品，学到的残差可能混入尺度差异、父模型偏差和分析系统特征，独立观测验证尚未给出；更深的递推、从零训练粗基线的成本优势，以及非结构网格上的细化都还有待评估。