天气降尺度不再只调主干：PROLA把固定秩预算分给主方向与正交补，Z500误差降到50.58
把粗分辨率历史场直接映射为未来高分辨率天气轨迹，需要同时做预报、空间降尺度和时间加密，而现有低秩微调在固定秩预算下没有区分“沿用预训练主方向”和“修正主方向之外”两种需求。PROLA把秩预算拆成主分支与正交分支，并用梯度信号缩放秩一优化器更新；在WeatherBench 2上以3.92M可训练参数适配Aurora，3小时Z500的RMSE为50.58，低于AdaLoRA的53.40。
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
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。
火星大气模型不再依赖再分析：MarsNet只用观测，近地面温度误差4.2 K，地表气压四者最准
火星大气长期由再分析产品描述，而再分析把探测器反演同化进环流模式，观测稀疏处的结果主要反映模式本身。MarsNet把两小时预报与逐窗观测更新放进同一套固定物理结构里联合训练，不使用任何再分析或模式场作为输入或目标。在未被任何数据集同化的MGS掩星温度上，其最低三个标高与三种再分析相当或更好，近地面均方根误差为4.2 K，而三种再分析为4.4–5.4 K，但在更高处精度较低。
两周到六周的天气预报不再靠掷骰子：后处理层把准确率翻倍，首次稳定超过气候平均
一个机器学习后处理层学习订正现有预报模式的误差，在两周到六周的次季节尺度上把黄金标准模式的预报准确率提高一倍，并首次稳定超过气候平均。
机器学习正在重塑天气预报：下一步是工作方式的改变
这篇由Peter Dueben、Peter Bauer、Oliver Fuhrer、Nikolay Koldunov和Jørn Kristiansen撰写的文章指出，在机器学习已能产出与复杂传统系统预报技巧相当的天气预报之后，应把注意力从预报输出转向支撑预报系统的工作实践，并论证机器学习与近期数字技术将重塑预报价值链的各个环节——模型如何编码与开发、观测与地球系统数据如何被利用、数据与算力如何管理、系统如何被检验，以及信息如何被创造、评估并转化为服务；文章讨论了六个非穷尽的方向，其中智能体软件工程、开放与压缩数据、共享检验工作流、交互式计算和生成式方法可能使建模、评估与服务创建更快、更具交互性且更易获得
已读完全部报道