Omni-Weather：统一天气雷达生成、理解与推理

Status: completed

Title: Omni-Weather: A Unified Multimodal Model for Weather Radar Understanding and Generation

Authors: Zhiwang Zhou, Yuandong Pu, Xuming He, Yidi Liu, Yixin Chen, Junchao Gong, Xiang Zhuang, Wanghan Xu, Qinglong Cao, Shixiang Tang, Yihao Liu, Wenlong Zhang, Lei Bai

Venue / Year: ICLR 2026 Poster；arXiv v3，2026-03-30

Affiliations: Tongji University；Shanghai AI Laboratory；Shanghai Jiao Tong University；Zhejiang University；University of Science and Technology of China；University of California, Los Angeles

Links: arXiv · OpenReview · Code · Model

Tags: [[weather]] [[radar-nowcasting]] [[multimodal-model]] [[flow-matching]] [[chain-of-thought]] [[SEVIR]] [[ICLR-2026]]

一句话结论

Omni-Weather 的真正贡献不是在每一项指标上击败专用模型，而是证明：以 Bagel-7B-MoT 为共享 Transformer 主干，将天气雷达临近预报、卫星反演、单帧理解和序列理解放进同一套多模态接口，能够获得有竞争力的综合表现，并出现一定的联合训练增益。

但论文最强的三个叙事——“端到端统一”“因果 CoT”“生成与理解均达到 SOTA”——都比现有证据更强。公开代码还暴露出方法方程与实际 latent flow matching 目标不一致、EarthFormer 的使用方式与论文图示不一致、默认训练脚本无法复现论文联合四任务设置等问题。因此，这是一篇方向感和系统整合很强、但方法刻画与复现闭环明显不足的工作。

1. 论文要解决什么问题

天气雷达研究长期分成两条相对独立的路线：

生成类任务：根据历史雷达序列预测未来雷达，或从卫星通道反演雷达；
理解类任务：识别回波位置、强度、形态和运动趋势，并生成自然语言解释或离散评分。

专用模型通常只优化一个任务。论文认为，这种分割带来两个问题：

生成模型能画出未来雷达，却不能用语言解释其运动与演化；
理解模型能描述雷达，却无法把语义知识反馈给像素级预测。

Omni-Weather 因而提出一个统一条件映射：

y_t = F_{\theta}(p_t, x_t),

其中：

$t$ 是任务索引；
$p_t$ 是任务提示；
$x_t$ 是输入模态；
$y_t$ 是文本或图像目标；
$F_{\theta}$ 是共享的多模态模型。

论文覆盖四个任务：

任务	输入	输出	任务性质
雷达临近预报	过去 10 帧 VIL 雷达	未来 12 帧 VIL 雷达	图像序列生成
雷达反演	IR069 与 IR107 卫星通道	同时刻 VIL 雷达	条件图像生成
雷达图像理解	单帧 VIL 雷达与问题	文本回答或属性评分	单图理解
雷达序列理解	连续 VIL 雷达与问题	文本回答或属性评分	时序理解

SEVIR 的时间分辨率为 5 分钟，因此 10 帧历史对应 50 分钟，12 帧预测对应未来 1 小时。

1.1 四任务的统一形式

令任务 $t$ 的文本提示嵌入为

P_t = \tau_{\mathrm{text}}(p_t) \in \mathbb{R}^{N_p \times d},

输入模态 token 为

V_t = \tau_t(x_t) \in \mathbb{R}^{N_x \times d},

可选的时间条件为

K_t = \kappa_t \in \mathbb{R}^{N_k \times d}.

论文将输入写成 token 拼接：

X_t = \left[ \tau_{\mathrm{text}}(p_t); \tau_t(x_t); \kappa_t \right].

若某项任务没有时间条件，则 $N_k=0$ 。共享自注意力主干产生

H_t = f_{\theta}(X_t) \in \mathbb{R}^{(N_p+N_x+N_k)\times d}.

之后按输出类型路由：

\widehat y_t = \begin{cases} G_{\phi}(H_t), & t\in\mathcal{T}_{\mathrm{gen}},\\ L_{\psi}(H_t), & t\in\mathcal{T}_{\mathrm{under}}. \end{cases}

$G_{\phi}$ 表示图像生成分支， $L_{\psi}$ 表示语言解码分支。这里的“统一”主要发生在 $f_{\theta}$ ：任务仍有不同输入编码器和输出头，并不是所有模态共享完全相同的参数路径。

2. 模型结构：统一在哪里，又没有统一到哪里

2.1 基座与三类视觉入口

Omni-Weather 从 Bagel-7B-MoT 初始化。其核心是一个共享 Transformer，以及与任务类型相匹配的视觉编码器：

理解编码器：把雷达图像变成适合语言理解的视觉 token；
生成编码器：把卫星图像或条件图像变成生成条件；
雷达序列编码器：论文声称用 EarthFormer 提取历史雷达的时空条件；
VAE：把生成目标压缩到 latent 空间，并在推理后把 latent 解码成图像。

因此更准确的结构描述是：

text

文本提示 ─────────────────┐
理解图像 → 理解编码器 ────┤
生成条件 → 生成编码器 ────┼→ 共享 Transformer → 文本 LM 头
雷达序列 → EarthFormer ───┤                    → flow 生成头 → VAE 解码
噪声 latent ───────────────┘

这个设计的优点是共享高层语义与推理容量，代价是“统一模型”仍然依赖多套专用前端和两个不同输出机制。它更接近共享中枢的多任务系统，而不是单一编码器、单一解码器的完全同构模型。

2.2 视觉 token 数

论文称所有图像统一缩放到 $256\times256$ ，并得到约 256 个视觉 token。对生成分支，这与代码中的 VAE 下采样和 latent patch 化是相容的：

VAE 将空间尺寸缩小约 8 倍：
$256\times256 \longrightarrow 32\times32;$
latent patch size 为 2：
$N_z = \frac{32}{2} \frac{32}{2} = 16\times16 = 256.$

不过，公开联合训练配置允许理解图像边长在 378 到 980 之间，并非严格固定为 256。论文的统一输入分辨率描述至少没有完整覆盖当前代码路径。

2.3 混合专家并不等于任务完全隔离

Bagel-7B-MoT 的 MoT 可以让不同 token 类型经过不同前馈专家，但共享注意力仍允许文本、理解视觉 token 和生成 latent token 相互条件化。其潜在价值是：

\mathrm{shared\ attention} \Rightarrow \mathrm{cross\mbox{-}task\ transfer},

而不同专家可以降低生成目标与语言目标之间的梯度冲突：

\mathrm{specialized\ FFN} \Rightarrow \mathrm{modality\ specialization}.

论文没有报告路由利用率、专家负载、梯度相似度或表示探针，因此“为什么联合训练有效”目前主要由结果间接支持，还不是机制层面的解释。

3. 训练目标：论文方程与代码实现并不相同

这是全文最需要仔细区分的数学问题。

3.1 论文给出的目标

论文将生成任务写成输出与目标之间的均方误差，将理解任务写成自回归交叉熵：

\mathcal{L} = \sum_{t\in\mathcal{T}_{\mathrm{gen}}} \lambda_t \frac{1}{\lvert\Omega_t\rvert} \left\lVert \widehat y_t-y_t \right\rVert_2^2 {}+{} \sum_{t\in\mathcal{T}_{\mathrm{under}}} \lambda_t \left( {}-{} \sum_{k=1}^{n_t} \log p_{\psi} \left( y_{t,k} \mid y_{t,<k}, f_{\theta}(X_t) \right) \right).

其中：

$\Omega_t$ 是生成目标的像素或帧索引集合；
$n_t$ 是文本目标长度；
$\lambda_t$ 是任务权重。

按字面理解，第一项是像素或帧空间重建误差。然而公开实现并没有直接用

\left\lVert \widehat y-y \right\rVert_2^2

训练图像输出，而是采用 latent flow matching。

3.2 代码实际执行的 latent flow matching

令 VAE 编码后的干净目标 latent 为

z_0\in\mathbb{R}^{C_z\times h\times w},

高斯噪声为

\varepsilon\sim\mathcal{N}(0,I).

代码先采样一个 logit-normal 时间变量：

u\sim\mathcal{N}(0,1), \qquad t=\sigma(u),

再用 shift 参数 $s>0$ 变换时间：

\widetilde t = \frac{s t} {1+(s-1)t}.

省略 batch 广播记号后，插值路径为

z_{\widetilde t} = (1-\widetilde t)z_0 {}+{} \widetilde t\varepsilon.

对应的恒定目标速度是

v^{\star} = \frac{\partial z_{\widetilde t}} {\partial\widetilde t} = \varepsilon-z_0.

模型根据噪声 latent、时间和多模态条件 $c$ 预测速度：

\widehat v_{\theta} = \widehat v_{\theta} \left( z_{\widetilde t}, \widetilde t, c \right).

实际生成损失是

\mathcal{L}_{\mathrm{FM}} = \frac{1}{N_z} \sum_{i=1}^{N_z} \left\lVert \widehat v_{\theta,i} {}-{} \left( \varepsilon_i-z_{0,i} \right) \right\rVert_2^2.

理解分支则使用 token 级负对数似然：

\mathcal{L}_{\mathrm{CE}} = {}-{} \frac{1}{N_y} \sum_{k=1}^{N_y} \log p_{\psi} \left( y_k \mid y_{<k},c \right).

当前实现把两项加权：

\mathcal{L}_{\mathrm{impl}} = w_{\mathrm{mse}} \mathcal{L}_{\mathrm{FM}} {}+{} w_{\mathrm{ce}} \mathcal{L}_{\mathrm{CE}},

默认

w_{\mathrm{mse}}=w_{\mathrm{ce}}=1.

因此，论文式中的“生成 MSE”若只是对实际 velocity MSE 的高度简写，就应明确说明 $y_t$ 指 latent velocity 而不是天气图像；若 $y_t$ 确实指图像，那么方法方程与实现目标就是不同的。

3.3 推理是常微分方程离散积分

推理从高斯噪声开始：

z_1\sim\mathcal{N}(0,I),

并沿学习到的速度场反向积分到数据端。用 $K$ 个离散步表示：

z_{t_{k-1}} = z_{t_k} {}-{} \widehat v_{\theta} \left( z_{t_k},t_k,c \right) \Delta t_k.

代码默认使用 50 步。最后通过冻结的 VAE 解码器得到图像：

\widehat y = D_{\mathrm{VAE}}(z_0).

代码还使用 classifier-free guidance。若

$v_c$ 是完整条件速度；
$v_t$ 是仅文本条件速度；
$v_u$ 是无条件速度；

一种与代码意图相符的双条件组合可写为：

v_{\mathrm{cfg}} = v_u {}+{} \gamma_{\mathrm{text}} \left( v_t-v_u \right) {}+{} \gamma_{\mathrm{image}} \left( v_c-v_t \right),

默认文本与图像 guidance scale 分别约为 4 和 2。论文正文没有把 flow matching、采样积分与 CFG 讲清楚，这使最核心的图像生成机制必须依赖代码才能还原。

4. 临近预报路径：论文叙述与公开代码存在关键分叉

论文的概念图给出的路径是：

\underbrace{ \left( x_{-9},\ldots,x_0 \right) }_{10\ \mathrm{observed\ frames}} \xrightarrow{ \mathrm{EarthFormer} } \kappa \xrightarrow{ \mathrm{Omni\mbox{-}Weather} } \underbrace{ \left( \widehat x_1,\ldots,\widehat x_{12} \right) }_{12\ \mathrm{future\ frames}}.

但公开代码实际提供两条不同路径。

4.1 路径 A：Omni-Weather 自回归预测

inference_radar.py 直接读取 10 帧历史雷达，再连续生成未来 12 帧。已经生成的帧会被追加到上下文：

\widehat x_k \sim p_{\theta} \left( x_{-9:0}, \widehat x_{1:k-1}, p \right).

这条路径符合“输入历史、输出未来”的任务语义，但没有使用 EarthFormer。

4.2 路径 B：EarthFormer 预测结果再精炼

radar_forcastor_dataset.py、radar_forcastor_single_dataset.py 和 inference_forcastor_radar.py 使用的是 EarthFormer 已经预测出的 12 帧未来图像，并让 Omni-Weather 生成对应的 12 帧真值：

\underbrace{ \left( \widetilde x_1^{\mathrm{EF}}, \ldots, \widetilde x_{12}^{\mathrm{EF}} \right) }_{\mathrm{EarthFormer\ predictions}} \xrightarrow{ \mathrm{Omni\mbox{-}Weather} } \left( \widehat x_1,\ldots,\widehat x_{12} \right).

这更像一个预测后处理或级联精炼器：

\widehat x_{1:12} = R_{\theta} \left( \widetilde x_{1:12}^{\mathrm{EF}} \right),

而不是论文所描述的“EarthFormer 将 10 帧历史编码成时序 token”。代码中的自然语言提示甚至明确把输入称为 EarthFormer 的 prediction。

这一区别非常重要：

若性能来自路径 A，应证明 Omni-Weather 自身学会了时序动力学；
若性能来自路径 B，结果同时依赖 EarthFormer 的先验预测，Omni-Weather 的作用主要是校正和增强；
如果训练与评测混用了两条路径，必须分别报告，不能用一个“radar sequence encoder”概念合并。

现有论文和公开仓库不足以唯一确定主表结果究竟由哪条路径产生。

5. CoT 数据与所谓“因果推理”

5.1 数据构造

论文为两类生成任务各构建约 4,000 条 CoT：

4,000 条临近预报解释；
4,000 条卫星到雷达反演解释。

构造过程大致为：

GPT-4o 提取可观测属性；
GPT-o3 根据属性与图像序列生成结构化推理；
按结构完整性、因果对齐和术语规范进行质量控制。

临近预报解释覆盖以下属性：

属性组	典型内容
初态	形态、最大像素等级、初始位置
运动	方向、速度、旋转
结构演化	单体数量、合并、分裂、形态变化
强度演化	增强、减弱、峰值变化
整体组织	覆盖范围、组织程度

可以把一条解释抽象为：

r = \left( a_{\mathrm{state}}, a_{\mathrm{motion}}, a_{\mathrm{structure}}, a_{\mathrm{intensity}}, a_{\mathrm{coverage}} \right),

并训练

p_{\theta}(r,y\mid x,p) = p_{\theta}(r\mid x,p) p_{\theta}(y\mid r,x,p)

所代表的“先解释、再生成”过程。严格地说，上式右侧应为乘法分解：

p_{\theta}(r,y\mid x,p) = p_{\theta}(r\mid x,p) \cdot p_{\theta}(y\mid r,x,p).

5.2 代码中的 token 顺序

CoT 数据集的序列大致是：

text

全局提示 → 帧提示 → CoT 文本 → EarthFormer 预测图像 → 真实目标图像

因此 CoT 文本在 Transformer 序列中位于条件图像之前。对于 decoder-style 因果注意力，若没有额外的双向注意力掩码设计，CoT token 不能访问其后面的输入图像 token。更值得警惕的是，单帧 CoT 数据的全局提示称任务为“给定输出 VIL 图像的 backward causal reasoning”，这暗示解释可能由结果图像反推而来。

如果解释 $r$ 在数据生成阶段接触了真实未来 $y$ ，训练时学习的可能是

p_{\theta}(r\mid y)

式的事后叙述，而不是部署时真正需要的

p_{\theta}(r\mid x).

这会形成 outcome leakage：解释看起来合理，却未必是预测过程中的可用中间推理。

5.3 “因果”一词的证据边界

论文中的 CoT 主要描述：

回波从哪里移动到哪里；
强度怎样变化；
单体是否合并、分裂或旋转；
这些变化如何对应输出图像。

这属于结构化的时序描述与物理启发解释。论文没有给出：

明确的结构因果模型；
干预变量；
反事实目标；
可识别性条件；
对中间推理进行因果干预的实验。

因此，更稳妥的名称是“weather-aware structured rationale”或“过程解释”，而不是已经得到验证的因果推理。

5.4 提示模板自身有矛盾

附录提示一处要求模型根据 10 或 12 个 LABEL 帧生成分析，并且不要推测 INPUT；同一组附加规则又要求只考虑 INPUT 帧且不要提及 LABEL。这会让数据生成者对可见信息边界产生不同理解，也使 leakage 审计更困难。

5.5 CoT 消融并不能完全识别因果效应

论文的 CoT 表如下：

CoT 微调	Thinking 推理	CSI-M	CRPS	RadarScore	LPIPS	GPT-4 分数
是	否	0.347	0.023	2.423	0.182	-
否	是	0.237	0.042	2.032	0.213	4.21
是	是	0.335	0.023	2.657	0.163	7.82

缺失的关键对照是：

\mathrm{CoT\ FT}=\mathrm{No}, \qquad \mathrm{Thinking}=\mathrm{No}.

所以该表不能干净估计 CoT 微调的平均处理效应。已有结果只说明：

同为 CoT 微调时，thinking 提升 RadarScore、LPIPS 和解释评分；
但 CSI-M 从 0.347 降到 0.335；
没有 CoT 微调时直接要求 thinking，所有生成指标明显更差。

这支持“显式推理带来感知质量与阈值命中之间的权衡”，但不支持“CoT 对所有目标一致有益”。

6. 数据、任务划分与可复现性

6.1 SEVIR

SEVIR 包含 2017 至 2020 年超过 20,000 个风暴事件。每个事件约 4 小时、5 分钟一帧，覆盖 VIL 雷达和多种卫星通道。论文把原始数据归一化到 $[0,255]$ ，并称统一缩放为 $256\times256$ 。

临近预报输入输出可写为：

x_{\mathrm{in}} = \left( x_{-9},\ldots,x_0 \right), \qquad y_{\mathrm{out}} = \left( x_1,\ldots,x_{12} \right).

反演任务为：

\widehat x^{\mathrm{VIL}} = F_{\theta} \left( x^{\mathrm{IR069}}, x^{\mathrm{IR107}}, p \right).

只用两个红外通道意味着模型学习的是特定数据集上的条件映射，而不是从完整卫星观测恢复雷达。

6.2 RadarQA

理解任务使用 RQA-70K，覆盖：

单帧属性；
序列动态；
累积强度；
高价值天气判断；
自由文本解释。

公开配置中四个理解子集的样本数为：

20{,}000 {}+{} 14{,}500 {}+{} 20{,}000 {}+{} 14{,}500 = 69{,}000.

这与 RQA-70K 的命名大体相符。

6.3 数据计数不一致

论文称联合训练加入 20,000 条通用图文样本。代码中的 MetaQuery 注册数量为 10,000。雷达临近预报注册数量也在不同配置间出现 40,000 与 45,000 两种数值。若采样器按声明长度分配任务概率，这些差异会直接改变有效任务权重：

\pi_t = \frac{N_t} {\sum_j N_j}.

论文没有给出最终 manifest、样本 ID、随机种子和混合采样概率，因此无法从公开材料精确重建训练分布。

6.4 划分方式

卫星反演代码按事件列表顺序取前 11,487 个事件训练，并从索引 11,488 开始测试，中间还跳过一个索引。由于没有随仓库提供生成 split 的脚本或明确事件清单，以下问题无法排除：

列表顺序是否稳定；
训练测试是否按时间隔离；
同一风暴系统的相邻事件是否跨 split；
被跳过样本是否只是边界错误。

对时空数据来说，随机或顺序划分通常不如按年份、区域和风暴事件隔离更能检验泛化。

7. 实验结果：优势是综合质量，不是全面领先

7.1 指标定义

Critical Success Index 为

\mathrm{CSI} = \frac{\mathrm{TP}} {\mathrm{TP}+\mathrm{FN}+\mathrm{FP}}.

附录列出的 VIL 阈值为 16、74、133、160、181 和 219，主表只展示其中 16、74、160、181 和 219。CSI-M 是若干阈值结果的平均。它忽略 true negative，适合稀疏强回波，但会受到阈值选择影响。

SSIM 的标准形式为

\mathrm{SSIM}(x,y) = \frac{ (2\mu_x\mu_y+C_1) (2\sigma_{xy}+C_2) }{ (\mu_x^2+\mu_y^2+C_1) (\sigma_x^2+\sigma_y^2+C_2) }.

CRPS 衡量概率预报分布 $F$ 与观测 $y$ ：

\mathrm{CRPS}(F,y) = \int_{-\infty}^{\infty} \left[ F(z)-\mathbf{1}\{z\geq y\} \right]^2 \mathrm{d}z.

CRPS 越低越好；CSI、SSIM 和 RadarScore 越高越好；LPIPS 越低越好。OpenReview rebuttal 称 CRPS 使用 5 个 ensemble members，但这一关键设置没有进入当前 arXiv v3 正文。

7.2 雷达临近预报

模型	CSI-M ↑	RadarScore ↑	CSI-P4 ↑	CSI-P16 ↑	CRPS ↓	SSIM ↑	LPIPS ↓
EarthFormer	0.389	1.92	0.401	0.387	0.037	0.729	0.322
DiffCast	0.375	2.43	0.407	0.511	0.033	0.739	0.235
CasCast	0.384	2.72	0.414	0.518	0.031	0.746	0.207
Omni-Weather	0.384	2.69	0.427	0.539	0.026	0.746	0.179
Omni-Weather-Thinking	0.353	2.86	0.421	0.542	0.028	0.751	0.166

原表还报告了 CSI-4，表头中的部分阈值命名与正文阈值清单不完全一致。最稳妥的解读是：

Omni-Weather 的 CSI-M 没有超过 EarthFormer；
非 thinking 版本在 CRPS 上最好；
thinking 版本在 RadarScore、SSIM、LPIPS 和 CSI-P16 上更好；
thinking 使 CSI-M 从 0.384 降为 0.353。

因此它更像是改善结构、感知和强回波表达，同时牺牲平均阈值命中率，而不是对专用 nowcasting 模型的全面支配。

7.3 卫星到雷达反演

模型	RadarScore ↑	RMSE ↓	CSI-16 ↑	CSI-74 ↑	CSI-160 ↑	CSI-181 ↑	CSI-219 ↑
UNet	1.75	0.821	0.222	0.370	0.180	0.153	0.079
ViT	2.01	0.445	0.602	0.436	0.180	0.131	0.042
WeatherGFM	2.28	0.436	0.619	0.447	0.208	0.157	0.053
Omni-Weather	2.42	0.514	0.622	0.469	0.263	0.221	0.118
Omni-Weather-Thinking	2.51	0.507	0.621	0.473	0.277	0.230	0.129

Omni-Weather 在强回波 CSI 和 RadarScore 上明显占优，但 RMSE 比 WeatherGFM 与 ViT 更差。这个组合意味着模型可能更愿意生成锐利、强烈、结构化的雷达回波，同时在逐像素平均误差上付出代价。

如果论文声称“反演指标全部最佳”，RMSE 就是直接反例。更准确的结论是：

\mathrm{event/structure\ metrics\ improve} \quad\mathrm{while}\quad \mathrm{pixel\ RMSE\ degrades}.

7.4 序列理解

模型	Overall ↑	Dynamic ↑	ROUGE-L ↑	BERTScore ↑	GPT-4 ↑
Claude	20.79	-	-	-	-
Gemini	27.59	-	-	-	-
GPT-5	49.50	-	-	-	-
RadarQA	66.17	53.31	0.436	0.815	6.87
Omni-Weather	61.79	64.05	0.446	0.810	7.48

Omni-Weather 的动态属性、ROUGE-L 和 GPT-4 评分更好，但 Overall 比 RadarQA 低 4.38 个百分点：

61.79-66.17=-4.38.

正文中“序列理解 overall 提升约 5%”的表述与主表不符。它也并非普遍超过闭源模型的 30% 水平，因为 GPT-5 达到 49.50。

7.5 单帧理解

模型	Overall ↑	ROUGE-L ↑	BERTScore ↑	GPT-4 ↑
RadarQA	61.51	0.512	0.809	6.58
Omni-Weather	64.30	0.543	0.760	6.03

Omni-Weather 在总体属性准确率和 ROUGE-L 上占优，但 BERTScore 与 GPT-4 评分落后。单帧理解是论文中相对更明确的理解增益，仍然不是所有指标全面领先。

7.6 联合训练消融

训练方式	Accuracy（论文成对报告）	GPT-4（论文成对报告）
仅理解	81.95 / 54.34	5.78 / 6.03
联合训练	86.65 / 59.58	7.48 / 6.03

训练方式	CSI-M（论文成对报告）	RMSE（论文成对报告）
仅生成	0.303 / 0.323	0.590 / 19.01
联合训练	0.338 / 0.347	0.514 / 17.11

方向上，所有列都支持联合训练有益。但表注称数值按 Frame / Sequence 排列，主表的 GPT-4 数值却暗示 GPT-4 列可能采用 Sequence / Frame 顺序；生成列也没有逐一标明哪个数属于反演或预报。本文因此保留原始成对形式，不擅自消解歧义。论文只在每项任务随机抽取 200 个验证样本，也没有报告：

多随机种子；
标准差或置信区间；
配对显著性检验；
是否严格匹配总更新步数与单任务见样本数；
表中两组并列数字与具体子任务的清晰映射。

所以该消融证明的是“在当前一次设置下观察到一致增益”，还不能建立稳定的跨任务协同规律。

7.7 序列编码器消融

编码器	CSI-M ↑	CSI-4 ↑	CSI-16 ↑	SSIM ↑	PSNR ↑
VAE encoder	0.2358	0.2912	0.4356	0.7528	21.42
Radar sequence encoder	0.3471	0.4003	0.5390	0.7621	23.22

结果支持天气专用时序先验，但不是纯粹的 encoder architecture 对照。若所谓 radar sequence encoder 输入的是 EarthFormer 预测未来帧，它同时引入了一个强预测器的输出，提升不能全部归因于 token 编码方式。

7.8 CFG 消融

CFG scale	CSI-M ↑	CSI-4 ↑	CSI-16 ↑	SSIM ↑	PSNR ↑
1	0.1824	0.2208	0.3305	0.5123	17.33
2	0.2501	0.2994	0.4261	0.6866	19.67

CFG 明显改善条件一致性，但论文没有报告更大 scale 的曲线，也没有展示 guidance 过强时是否会损害校准、多样性或极端值可靠性。

7.9 通用图文数据混合

附录给出不同天气数据比例的结果：

生成任务数	天气数据占比	CSI-M	CSI-4	CSI-16	SSIM	PSNR
1	70%	0.2501	0.2994	0.4261	0.6866	19.67
1	30%	0.1386	0.1726	0.2859	0.6187	16.66
1	50%	0.2478	0.2956	0.4174	0.6823	19.15
2	70%	0.1091	0.1345	0.2274	0.6013	16.64

这张表没有清晰的 weather-only 基线，也混合改变了任务数量与采样比例。因此它不足以单独证明“通用图文数据必然提高天气泛化”，最多说明混合比例非常敏感。

8. 论文叙事逐节检查

章节	它承担的叙事任务	完成度
引言	把生成与理解的割裂塑造成统一气象智能问题	强；问题动机清楚
相关工作	连接天气生成、雷达理解、统一多模态模型	中；天气专用基础模型与关键基线覆盖不足
方法	给出任务统一接口、共享主干和 CoT 数据	中；核心生成目标和 EarthFormer 路径描述不充分
实验	证明四任务可用、联合训练增益、thinking 有效	中上；指标丰富，但统计与关键对照不足
结论	把系统定位为天气雷达通才模型的起点	合理，但泛化范围仍局限于 SEVIR/VIL

标题从早期更宽泛的 “Weather Foundation Model” 收敛为最终的 “Weather Radar Understanding and Generation”，是正确的范围校准。即便如此，“foundation”式叙事仍应受到以下边界约束：

\mathrm{one\ dataset} {}+{} \mathrm{one\ core\ radar\ variable} {}+{} \mathrm{limited\ task\ family} \neq \mathrm{validated\ general\ weather\ foundation\ model}.

9. 主张—证据审计

论文主张	直接证据	判断
一个模型统一生成与理解	同一 Bagel 主干覆盖四项任务	基本成立，但存在专用编码器与不同输出头
联合训练带来双向增益	Table 2 中生成和理解均提升	有初步支持，缺少多种子、置信区间和严格预算对照
生成达到 SOTA	CRPS、感知指标、强阈值 CSI 很强	表述过强；CSI-M 或 RMSE 并非都最佳
理解达到 SOTA	单图 Overall、序列 Dynamic 和生成式评分较好	混合；序列 Overall 明显低于 RadarQA
CoT 提升预测与解释	thinking 改善 RadarScore、LPIPS、GPT 分数	部分成立；CSI-M 下降且缺失完整二乘二对照
CoT 是因果推理	属性化推理文本与定性例子	不足；没有因果识别、干预或 faithfulness 验证
EarthFormer 作为序列编码器	编码器消融提升	代码更像预测结果精炼，任务定义尚不透明
端到端训练	论文文字描述	不准确；VAE 冻结，代码中的 EarthFormer 也不在联合梯度图中
对现实天气有广泛泛化	SEVIR 上四任务结果	不足；未证明跨区域、跨传感器、跨年份和极端事件泛化

10. OpenReview 评审与作者答辩

论文最终被 ICLR 2026 接收为 Poster。公开评审最初给出 8、6、6、4，一位 reviewer 在 rebuttal 后从 4 提升到 6。Area Chair 认为主要疑问得到足够回应。

Official Review	初始分数	Rebuttal 后	Soundness / Presentation / Contribution	主要意见
naQj	8	8	3 / 3 / 3	认可统一框架和强结果；要求专家验证、跨 SEVIR 泛化，并质疑通用域 VAE 是否适合气象场
dM4g	4	6	2 / 2 / 3	认为 foundation model 主张过宽，数据计数、token 融合和 CoT 质控不透明；答辩后上调
rnQS	6	6	2 / 3 / 2	追问 encoder/decoder、 $\lambda_t$ 、CRPS ensemble、CFG、复杂度与反演 RMSE
3h1v	6	6	3 / 3 / 3	认可方向，但担心单一 VIL/SEVIR 范围以及 LLM 生成 CoT 缺少专家 faithfulness 验证

共读取到 4 条 Official Review，以及对应的作者答辩、reviewer follow-up、Meta Review 和 Decision；下文不是只依据摘要页或首屏内容做出的判断。

10.1 评审共识

四位评审反复提到的优点是：

把生成和理解放入一个统一模型具有新颖性；
实验任务多，展示了较强的系统整合能力；
强回波结构、感知指标和自然语言解释有竞争力；
论文方向可能推动可解释的天气预测。

反复出现的问题是：

范围过宽：单一 SEVIR/VIL 设置不足以证明广义天气基础模型；
架构描述不足：编码器、decoder、token 融合、冻结策略不清楚；
方程含糊： $\lambda_t$ 、文本长度归一化、CRPS ensemble 数、CFG 均缺少说明；
CoT 可靠性：LLM 生成解释缺少充分的气象专家验证；
基线与引用不足：评审要求讨论 DGMR、Aquilon、CLLMate 等相关工作；
计算成本缺失：没有参数量拆分、FLOPs、延迟和显存比较；
指标叙事选择性：反演 RMSE 和序列 Overall 并不支持全面 SOTA。

10.2 Rebuttal 新增了什么

作者在答辩中补充：

专家对约 30 个解释进行评估，专家解释与 GPT 解释的总体分数约为 8.5 与 7.7；
从约 5,500 个候选样本中保留约 4,000 个，通过率约 70%；
CRPS 使用 5 个 ensemble members；
各任务权重 $\lambda_t=1$ ；
编码器与 VAE 冻结；
增加 ERA5 2 米温度的初步跨模态实验；
补充 DGMR 等相关基线。

这些回应解释了部分疑问，也促成评分上调。但截至 arXiv v3 和当前公开仓库，若干细节仍只存在于 rebuttal，没有形成正文中的完整、可执行复现说明。尤其是专家评估样本、评分协议、ERA5 设置与结果并未作为可审计材料发布。

10.3 接收不等于问题已经消失

从会议决策角度，Omni-Weather 的新颖性和方向价值足以支持接收。从科学记录角度，以下问题仍应保留：

解释是否 faithful，而不仅是 plausible；
EarthFormer 到底是 encoder 还是上游 forecaster；
论文主表来自哪一个数据与推理路径；
训练超参数与公开脚本为何明显不同；
统一模型的增益是否在跨区域、跨传感器条件下成立。

11. 公开代码审计

本节针对仓库提交 07ab4848de677e444841062000d7032fdd0178b9 进行静态核查。

11.1 训练设置对照

项目	论文	默认公开脚本	影响
GPU	8 × H200	脚本可配置	资源要求极高
训练步数	20,000	未显式设置，代码默认 500,000	默认命令不对应论文训练
学习率	$2\times10^{-4}$	$2\times10^{-5}$	相差 10 倍
weight decay	0.05	optimizer 硬编码为 0	正则化不同
scheduler	cosine	默认 constant	优化轨迹不同
warmup	2,000	2,000	一致
生成分辨率	$256\times256$	生成配置相符	大体一致
理解分辨率	声称统一 256	允许 378 至 980	不一致
任务权重	$\lambda_t$ 未在正文明确	CE 与 MSE 默认均为 1	rebuttal 才说明
VAE	方法看似端到端	冻结	不是全模型端到端

11.2 没有一条默认命令复现四任务联合训练

公开配置分开存在：

sat2rad_radarqa.yaml：卫星反演与理解；
radar_nowcast：临近预报；
cot_nowcast：CoT 临近预报；
radar_forcastor：EarthFormer 预测精炼。

默认 finetune.sh 指向 sat2rad_radarqa.yaml，没有同时包含临近预报和 CoT。也就是说，仓库提供了任务组件，但没有提供论文声称的完整四任务联合 recipe：

\mathcal{D}_{\mathrm{joint}} = \mathcal{D}_{\mathrm{nowcast}} \cup \mathcal{D}_{\mathrm{inversion}} \cup \mathcal{D}_{\mathrm{imageQA}} \cup \mathcal{D}_{\mathrm{sequenceQA}} \cup \mathcal{D}_{\mathrm{CoT}}.

11.3 路径与环境

若干脚本硬编码 /mnt/shared-storage-user/... 数据路径。依赖文件较完整、许可证为 Apache-2.0、模型权重已公开，这些是积极因素；但仓库没有：

自动下载与构造 SEVIR/RadarQA 的统一脚本；
最终训练 manifest；
自动化测试；
CI；
主表的一键评测入口；
论文 checkpoint 与每个表格行的精确映射。

因此当前可复现等级更接近“可阅读和二次开发的研究代码”，不是“从数据到主表的一键复现包”。

11.4 论文式、代码式与系统语义的三层错位

可以把主要错位归纳为：

\begin{aligned} \mathrm{paper\ objective} &: \mathrm{pixel\ MSE} {}+{} \mathrm{text\ CE}, \\ \mathrm{code\ objective} &: \mathrm{latent\ velocity\ MSE} {}+{} \mathrm{text\ CE}, \\ \mathrm{paper\ nowcasting\ path} &: \mathrm{history} \to \mathrm{EarthFormer\ tokens} \to \mathrm{future}, \\ \mathrm{dataset\ code\ path} &: \mathrm{EarthFormer\ future\ predictions} \to \mathrm{refined\ future}. \end{aligned}

这不是文字润色层面的小误差，而是会改变模型类别、条件信息和对性能来源解释的核心问题。

12. 方法学优点

12.1 问题设定有价值

生成与理解联合起来是合理方向。真实预报系统不仅需要输出场，还需要：

解释关键回波结构；
暴露不确定性与演变依据；
支持人机问答；
让语义先验约束视觉生成。

Omni-Weather 至少把这几个目标放进了同一个可训练系统。

12.2 指标覆盖比单一 MSE 更合理

雷达场预测中，像素 RMSE 往往偏爱模糊平均。论文同时报告：

\left\{ \mathrm{CSI}, \mathrm{CRPS}, \mathrm{SSIM}, \mathrm{LPIPS}, \mathrm{RadarScore} \right\},

可以看到 thinking 模式在事件命中、结构感知和平均误差之间的权衡。这比只展示一项最有利指标更有信息量。

12.3 联合训练结果方向一致

虽然统计证据不足，Table 2 的生成与理解列都朝正向移动，至少说明共享主干没有出现明显的灾难性负迁移。

12.4 把天气属性显式写进解释

CoT taxonomy 关注移动、旋转、合并、分裂、增强和衰减，比通用“看图说话”更贴近雷达分析。即使“因果”尚未成立，这套属性结构本身也可作为可复用监督信号。

13. 主要问题

13.1 方法定义没有闭环

最重要的损失、采样和条件路径需要从代码逆向恢复。论文的数学对象没有区分：

像素 $y$ ；
VAE latent $z_0$ ；
噪声 $\varepsilon$ ；
flow time $t$ ；
任务索引 $t$ 。

同一个 $t$ 同时容易被理解为任务索引和 flow 时间。建议使用任务索引 $q$ 与连续时间 $\tau$ ：

q\in\mathcal{T}, \qquad \tau\in[0,1].

13.2 “端到端”表述不准确

若 VAE 和视觉编码器冻结，EarthFormer 也不接收下游梯度，则可训练路径是：

\theta_{\mathrm{train}} \subsetneq \left\{ \theta_{\mathrm{all\ components}} \right\}.

这仍可称联合优化共享主干，但不能不加限定地称所有模块端到端训练。

13.3 CoT 缺少 faithfulness 实验

高 GPT-4 分数只能说明解释像正确答案。要证明解释确实参与生成，应做干预：

固定输入，交换两条 CoT；
删除方向、速度或强度字段；
对 CoT 加入相反事实；
测量输出移动方向、强回波面积和 CSI 的响应。

例如令 $r$ 为正确 rationale， $\widetilde r$ 为反事实 rationale，定义：

\Delta_{\mathrm{motion}} = d \left( \widehat y(x,r), y \right) {}-{} d \left( \widehat y(x,\widetilde r), y \right).

若 CoT faithful，系统性反事实应产生方向一致、可解释的性能变化，而不是几乎不影响输出。

13.4 缺少统计不确定性

对 200 个样本，报告均值而不报告置信区间很难判断小差异。例如可对配对样本 bootstrap：

\widehat\Delta^{(b)} = \frac{1}{n} \sum_{i=1}^{n} \left[ m_i^{A,(b)} {}-{} m_i^{B,(b)} \right],

再给出 2.5% 与 97.5% 分位数。对 CSI 还应按风暴事件而非帧独立重采样，以避免时序相关性导致置信区间过窄。

13.5 生成模型的概率校准没有充分展开

既然模型是随机 flow generator，就应报告：

不同 ensemble size 下 CRPS 收敛；
reliability diagram；
强回波 exceedance probability；
rank histogram；
多样性与准确率的权衡；
极端事件的 tail calibration。

仅用 5 个样本估计分布指标可能有较大 Monte Carlo 误差。

13.6 泛化范围有限

所有核心结果围绕 SEVIR。没有证明：

\mathrm{SEVIR} \to \left\{ \mathrm{MRMS}, \mathrm{NEXRAD}, \mathrm{FY}, \mathrm{Himawari}, \mathrm{ERA5} \right\}

的跨区域、跨传感器或跨变量迁移。rebuttal 中的 ERA5 初步实验是好信号，但不足以支撑广泛天气基础模型结论。

14. 次要但应修复的问题

统一术语：nowcast、forecast、forcastor 在代码中混用；
明确每个 CSI 列对应的阈值，避免正文与表头不一致；
解释 Table 2 中成对数字的任务顺序和单位；
给出每个任务的训练样本数、采样概率和重复次数；
把 rebuttal 中的 $\lambda_t=1$ 、5-member CRPS、冻结策略写入正文；
报告总参数、可训练参数、FLOPs、H200 训练时长和单样本推理延迟；
提供所有评测 prompt、GPT judge 版本、温度与重试策略；
把 30 个专家评测样本、匿名评分和分歧统计公开；
修复附录 CoT prompt 对 INPUT 与 LABEL 的冲突约束；
发布每张表对应的 checkpoint、配置文件和命令。

15. 如何把这项工作做得更扎实

15.1 建立真正可执行的统一任务规范

为每个任务定义：

\mathcal{S}_q = \left( \mathcal{D}_q, E_q, C_q, H_q, \mathcal{L}_q, M_q \right),

其中分别表示数据、编码器、条件、输出头、损失和指标。把最终四任务配置写成唯一 manifest，并固定随机种子与数据 ID。

15.2 分开比较三种临近预报系统

必须显式报告：

EarthFormer；
Omni-Weather 直接预报；
EarthFormer + Omni-Weather 精炼。

令性能为 $M(\cdot)$ ，精炼器的增益才可定义为：

\Delta_{\mathrm{refine}} = M \left( \mathrm{EarthFormer} {}+{} \mathrm{Omni\mbox{-}Weather} \right) {}-{} M \left( \mathrm{EarthFormer} \right).

Omni-Weather 自身的预报能力则要与相同输入历史、相同评测预算的专用模型比较。

15.3 做完整的二乘二 CoT 实验

	非 thinking 推理	thinking 推理
无 CoT 微调	必须补充	已有
有 CoT 微调	已有	已有

这样才能估计：

\mathrm{ATE}_{\mathrm{CoT\ FT}}, \qquad \mathrm{ATE}_{\mathrm{Thinking}}, \qquad \mathrm{Interaction}.

15.4 做跨域与时间外评测

至少应增加：

2017--2019 训练、2020 测试；
跨区域或跨雷达站；
不同强度分位数；
不同季节；
独立数据集零样本与少样本适配。

15.5 对联合训练做梯度层面的分析

对任务 $i,j$ 的共享参数梯度定义余弦相似度：

\rho_{ij} = \frac{ \nabla_{\theta}\mathcal{L}_i \cdot \nabla_{\theta}\mathcal{L}_j }{ \left\lVert \nabla_{\theta}\mathcal{L}_i \right\rVert_2 \left\lVert \nabla_{\theta}\mathcal{L}_j \right\rVert_2 }.

若 $\rho_{ij}>0$ ，可作为任务协同的机制证据；若长期为负，则应使用 PCGrad、动态权重或更明确的专家路由。

16. 可复用的研究启发

16.1 预测与解释应是联合对象

未来模型可直接建模：

p(y,r,u\mid x),

其中 $y$ 是预测场， $r$ 是过程解释， $u$ 是不确定性说明。这样解释不只是附加文本，而是与生成、概率校准共同训练的输出。

16.2 专用预报器可作为多模态模型的 proposal generator

EarthFormer 不一定只能当 encoder。更自然的系统分工是：

\mathrm{dynamics\ model} \to \mathrm{proposal} \to \mathrm{multimodal\ verifier/refiner}.

专用模型负责稳定动力学，通用模型负责语义约束、质量修复和解释。Omni-Weather 的代码事实上已经接近这一方向，只是论文没有把它清楚定义出来。

16.3 用可干预的结构变量替代自由文本 CoT

可以把 rationale 改成显式状态：

r = \left( \Delta x, \Delta y, \Delta I, \Delta A, n_{\mathrm{cell}}, \omega \right),

分别表示位移、强度变化、面积变化、单体数量和旋转。结构变量更容易：

用算法或专家验证；
做反事实干预；
与输出场建立可测的对应；
避免语言风格成为主要评价对象。

16.4 统一不应只看任务数量

更有说服力的统一模型需要证明：

\mathrm{parameter\ sharing} \Rightarrow \mathrm{sample\ efficiency} \lor \mathrm{transfer} \lor \mathrm{compositionality}.

仅仅让一个模型在四个数据加载器上训练，并不自动说明它学到了统一的天气表征。

17. 直接竞品与领域定位

工作	主要角色	相对 Omni-Weather 的位置
EarthFormer	时空预测 Transformer	更纯粹的雷达序列动力学基线；Omni-Weather 还把它作为先验或上游预测器
DGMR	概率雷达临近预报	代表成熟的专用生成路线；论文应更完整比较概率质量与计算成本
DiffCast / CasCast	扩散式或级联式临近预报	在像素、结构与感知指标上与 Omni-Weather 形成直接竞争
WeatherGFM	跨模态天气场生成	是卫星到雷达反演的直接比较对象；Omni-Weather 强在高阈值 CSI，弱在 RMSE
RadarQA	雷达图像与序列理解	是理解任务最直接的领域模型；Omni-Weather 的序列 Overall 尚未超过它
Bagel-7B-MoT	通用多模态理解与生成基座	提供统一 token 空间和生成能力，Omni-Weather 的增量主要是天气任务化、数据与训练接口
Aquilon / CLLMate	评审指出的同期气象多模态工作	应在修订中明确任务覆盖、数据范围、生成能力和计算成本差异

从贡献类型看，Omni-Weather 主要是概念与系统整合创新，其次是数据构造和经验发现；它没有提出新的 Transformer 算子、flow matching 理论或可证明的因果学习方法。

Innovation Score：7 / 10。 统一问题设定有价值，四任务系统也具有明显工程新意；但核心网络、生成范式和时序先验均来自现有组件，方法增量尚未上升为新的通用建模原理。

18. 科学品味评分

维度	评分	理由
新颖性	3.5 / 5	生成与理解统一到天气雷达模型中有新意，但基础组件多来自已有模型
技术严谨性	2.5 / 5	结果丰富，核心损失、路径、冻结与复现设置却不够一致
实证充分性	3.0 / 5	四任务、多指标和多项消融是优点；缺少统计、完整对照和跨域测试
可解释性证据	2.5 / 5	解释质量较好，但 faithfulness 与因果性没有被验证
潜在影响	3.5 / 5	共享气象生成与理解是值得继续推进的系统方向
可复现性	2.0 / 5	代码和权重公开，但默认脚本、数据路径和论文设置不能闭环

19. 最终评价

如果以审稿时的标准评价，我会给出 Weak Accept / Major Revision 边界：

支持接收的原因是问题重要、系统新颖、结果覆盖广，且统一生成与理解确实展示出研究潜力；
要求大修的原因是方法数学描述与实现不一致，临近预报的信息流不透明，CoT 的因果与 faithful 属性没有得到验证，复现 recipe 也不完整。

论文最可信的结论是：

一个共享多模态主干可以同时承担天气雷达生成和理解，并在若干结构、感知与语言指标上优于专用基线；联合训练可能带来正迁移。

论文目前不能充分支持的更强结论是：

该模型已经成为跨天气模态的通用基础模型，所有生成与理解任务都达到 SOTA，并通过因果 CoT 获得了可验证的机制解释。

从研究方向看，Omni-Weather 很可能比它当前的形式更重要：它把“预报场、自然语言解释和多模态条件”放在了同一张设计图上。下一步的关键不是再加更多任务名称，而是把数据因果边界、概率生成目标、专用动力学模型的角色，以及联合训练增益的机制真正做清楚。

参考与核查范围

本文对 arXiv v3 的正文、附录、公开 OpenReview 讨论和官方代码进行了交叉检查。代码审计是静态审计；由于 SEVIR/RadarQA 数据、7B 模型权重和 8 × H200 训练资源不随仓库提供，未重新训练模型或复算主表数值。

Code Verification

核查对象为官方仓库提交 07ab4848de677e444841062000d7032fdd0178b9，核查日期为 2026-07-31。

Claim	论文描述	代码实现	状态
统一生成与理解	一个 Bagel-7B-MoT 共享主干	CE 与 flow matching 两类 token 在共享主干中训练	部分验证
生成损失	图像或帧空间 MSE	VAE latent 上的 velocity MSE	不一致
临近预报条件	10 帧经 EarthFormer 编成时间 token	一条路径完全不使用 EarthFormer；另一条读取 EarthFormer 的 12 帧未来预测	不一致
四任务联合训练	所有天气任务共同 SFT	没有单一公开配置包含四任务与 CoT	无法复现
端到端训练	模型端到端训练 20k steps	VAE 冻结，级联 EarthFormer 不在下游梯度图中	表述过强
优化超参数	lr $2\times10^{-4}$ 、weight decay 0.05、cosine、20k	默认脚本 lr $2\times10^{-5}$ 、weight decay 0、constant、默认 500k	不一致
输入分辨率	所有图像不超过 $256\times256$	理解配置允许 378 到 980	不一致
通用数据规模	MetaQuery 20k	registry 声明 10k	不一致
权重与许可	模型和代码公开	Hugging Face 权重与 Apache-2.0 仓库可访问	验证

执行的静态检查：

遍历并阅读训练入口、模型损失、数据注册、四类数据集和推理脚本；
对仓库 Python 文件执行 compileall，语法编译通过；
对论文表格、附录消融和代码默认值逐项人工比对；
未执行依赖安装、数据下载、7B 模型推理或 8 × H200 训练，因此不把静态通过等同于数值复现。

综合判断：

\mathrm{code\ availability} = \mathrm{good}, \qquad \mathrm{paper\mbox{-}code\ consistency} = \mathrm{limited}, \qquad \mathrm{end\mbox{-}to\mbox{-}end\ reproducibility} = \mathrm{insufficient}.

Omni-Weather：统一天气雷达生成、理解与推理 ​

一句话结论 ​

1. 论文要解决什么问题 ​

1.1 四任务的统一形式 ​

2. 模型结构：统一在哪里，又没有统一到哪里 ​

2.1 基座与三类视觉入口 ​

2.2 视觉 token 数 ​

2.3 混合专家并不等于任务完全隔离 ​

3. 训练目标：论文方程与代码实现并不相同 ​

3.1 论文给出的目标 ​

3.2 代码实际执行的 latent flow matching ​

3.3 推理是常微分方程离散积分 ​

4. 临近预报路径：论文叙述与公开代码存在关键分叉 ​

4.1 路径 A：Omni-Weather 自回归预测 ​

4.2 路径 B：EarthFormer 预测结果再精炼 ​

5. CoT 数据与所谓“因果推理” ​

5.1 数据构造 ​

5.2 代码中的 token 顺序 ​

5.3 “因果”一词的证据边界 ​

5.4 提示模板自身有矛盾 ​

5.5 CoT 消融并不能完全识别因果效应 ​

6. 数据、任务划分与可复现性 ​

6.1 SEVIR ​

6.2 RadarQA ​

6.3 数据计数不一致 ​

6.4 划分方式 ​

7. 实验结果：优势是综合质量，不是全面领先 ​

7.1 指标定义 ​

7.2 雷达临近预报 ​

7.3 卫星到雷达反演 ​

7.4 序列理解 ​

7.5 单帧理解 ​

7.6 联合训练消融 ​

7.7 序列编码器消融 ​

7.8 CFG 消融 ​

7.9 通用图文数据混合 ​

8. 论文叙事逐节检查 ​

9. 主张—证据审计 ​

10. OpenReview 评审与作者答辩 ​

10.1 评审共识 ​

10.2 Rebuttal 新增了什么 ​

10.3 接收不等于问题已经消失 ​

11. 公开代码审计 ​

11.1 训练设置对照 ​

11.2 没有一条默认命令复现四任务联合训练 ​

11.3 路径与环境 ​

11.4 论文式、代码式与系统语义的三层错位 ​

12. 方法学优点 ​

12.1 问题设定有价值 ​

12.2 指标覆盖比单一 MSE 更合理 ​

12.3 联合训练结果方向一致 ​

12.4 把天气属性显式写进解释 ​

13. 主要问题 ​

13.1 方法定义没有闭环 ​

13.2 “端到端”表述不准确 ​

13.3 CoT 缺少 faithfulness 实验 ​

13.4 缺少统计不确定性 ​

13.5 生成模型的概率校准没有充分展开 ​

13.6 泛化范围有限 ​

14. 次要但应修复的问题 ​

15. 如何把这项工作做得更扎实 ​

15.1 建立真正可执行的统一任务规范 ​

15.2 分开比较三种临近预报系统 ​

15.3 做完整的二乘二 CoT 实验 ​

15.4 做跨域与时间外评测 ​

15.5 对联合训练做梯度层面的分析 ​

16. 可复用的研究启发 ​

16.1 预测与解释应是联合对象 ​

16.2 专用预报器可作为多模态模型的 proposal generator ​

16.3 用可干预的结构变量替代自由文本 CoT ​

16.4 统一不应只看任务数量 ​

17. 直接竞品与领域定位 ​

18. 科学品味评分 ​

19. 最终评价 ​

参考与核查范围 ​

Code Verification ​