研究人员开发了新颖的推理时框架 RGMR 和 SMR^2/MBB，用于将预训练的基础模型改编为区域气候预测，特别是干旱预测。这些方法允许进行结构化的粗到精精炼和黑盒改编，而无需更改骨干模型的参数。当应用于南澳大利亚标准化蒸散指数（SPEI）的预测时，这些包装器已显示出均方误差（MSE）的显着降低，RGMR 的改进高达 18.9%，SMR^2/MBB 的改进高达 26%，从而使冻结的基础模型在区域气候工作流程中更加实用。 AI
影响 能够将冻结的基础模型实际部署到专门的科学预测任务中，在不进行昂贵重新训练的情况下提高准确性。
排序理由 该集群包含两篇研究论文，详细介绍了改编现有基础模型以用于特定科学应用（干旱预测）的新颖方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.17507v1 Announce Type: new Abstract: Regional climate prediction presents unique challenges for time series foundation models, which typically process temporal patterns through single-pass inference. Expert climatologists, in contrast, employ multi-scale temporal analy…
arXiv:2607.17511v1 Announce Type: new Abstract: Large \emph{Time Series Foundation Models} (TSFMs) demonstrate strong zero-shot forecasting capabilities across diverse domains. However, their application to regional climate forecasting faces practical challenges: model weights ar…