基于自主研发的气象大模型，构建覆盖中长期、次季节及多类关键场景的预测能力，支持多分辨率输出与多模型协同应用。
米塔碳自主研发基于扩散生成架构的璞云—海洋集合预报大模型，聚焦解决当前海浪预报时间分辨率不足、难以精细刻画小时尺度海浪演变过程等行业痛点。模型通过深度学习与物理约束融合，实现对多维度海浪要素的精准建模，可高效捕捉海浪复杂非线性演变规律，在强风浪过程、长周期涌浪传播等典型场景下，对浪高、浪向等关键要素的突变特征具备更强适应与还原能力；同时在统计层面保持与真实观测场、分析场的时序一致性，显著降低中间时刻预报失真问题，为海洋环境预报提供更连续、物理自洽的高时序预测结果。
模型支持中期预报需求：
未来 15 天逐小时海浪预报，空间分辨率达0.1°（9km），覆盖全球高精度网格预报需求。
预报要素涵盖有效波高、风浪 / 涌浪有效波高、平均波周期、峰值波周期、波向及多分区涌浪特征、10 米中性风场等全维度海洋气象关键参数。
为海上作业、航运安全、防灾减灾及海洋工程等场景提供高可靠、高时空分辨率的智能预报能力。
米塔碳自主研发璞云—全球气象预报大模型，以自研核心 LKA-FCN 架构为技术底座，深耕气象预报精细化、高效化核心需求，突破传统气象物理模拟在算力适配、精度提升上的双重瓶颈。相较于传统气象模拟依赖 CPU 串行计算、难以适配深度学习框架的局限，团队投入海量研发精力，攻克传统物理模拟算子改写、GPU 加速适配、Torch 框架深度融合三大核心技术难题，实现物理模拟与 Torch 框架的无缝衔接，同时适配 GPU 并行计算架构，最终实现传统物理模拟向 AI 化、高效化的跨越式升级。依托这一核心技术突破，模型可高效捕捉中小尺度对流、局地环流及地形强迫驱动的非线性气象演变规律，在强对流、寒潮、大风等转折性天气过程中，对风速、温度、降水、气压等关键要素的突变与精细化结构具备更强刻画与预报能力，同时保障多尺度气象场的时空一致性与物理合理性，预报精度显著超越传统数值预报系统，为全域、全时效气象保障提供新一代智能预报能力，助力实现气象预测领域的技术自主可控。
模型同时支持短时临近、中期及次季节多尺度预报需求，兼顾精细化与长时效，深度适配新能源、航运、防灾减灾等多元场景需求。
支持 0–3 天百米级超高分辨率气象预报：
依托传统物理模拟改写适配 GPU 加速与 Torch 框架融合的核心成果，实现计算效率千倍以上提升，联合超高分辨率地形与下垫面数据，可精准实现局部区域 30 米–100 米分辨率气象场模拟。有效破解地形复杂、转折性天气下的预报难题，为新能源场站功率精准预测提供核心支撑，助力解决新能源发电功率波动大、并网安全等行业痛点。
米塔碳自研璞云全球气象集合预报大模型PuYun-LDM，面向气候变化背景下中期至次季节预报不确定性显著提升的现实挑战，针对传统以均方误差为优化目标的确定性 AI 模型普遍存在的回归均值问题，以及对极端天气过程与概率分布刻画能力不足等核心短板，创新提出面向气象大模型的生成式预训练范式。模型基于 0.25° 分辨率 ERA5 再分析数据，在潜在空间中对大气高维特征表征与随机动态演化规律进行统一建模，实现气象预测由单一确定性轨迹向全域概率分布建模的关键跨越。PuYun-LDM 采用表征压缩与扩散生成两阶段架构，可在 10 分钟内生成 50 个集合预报成员，计算效率相较传统集合预报方式提升百倍以上，能够天然输出多成员集合预报结果，有效提升连续概率排位分数，显著增强对极端气旋、热浪、强降水等高影响天气事件的捕捉与描述能力，同时具备 14 至 45 天超长时效尺度下低频环流系统的精准建模能力，可为能源优化调度、气象风险管控提供可靠的不确定性分析支撑。模型同时支持中期及次季节预报需求。
提供中期预报：
未来 15 天逐小时气象预报，空间分辨率达 0.1°（9km），覆盖全球高精度网格预报需求。
预报要素涵盖温度、降水、风速、气压、湿度、辐射及关键环流系统等全维度气象关键参数。
为防灾减灾、能源调度、气候风险管理等国家重大应用场景提供长期、稳定的技术支撑。
米塔碳针对现有中期气象预测链路中，资料同化阶段耗时过长、严重制约预报实时性的行业痛点，创新构建了基于观测数据驱动的中期气象大模型。该模型将传统链路中的资料同化过程隐式集成于端到端架构，直接打通从 卫星观测数据输入到未来气象场输出的全流程，构建了更具实效性的新一代气象预测体系。
模型基于遥感气象卫星观测数据驱动，以时间窗口内的卫星观测数据作为条件输入，通过三维扩散生成架构，实现了：
0.1° 空间分辨率、1 小时时间分辨率的未来 10 天气象预测 。
整条气象预测链路在 1 分钟内完成，预报时效性得到质的飞跃。
将预报频率从每天4次提升为每小时1次，即一天24次。
在短临及中期尺度气象大模型预测结果的基础上，本系统进一步构建了面向特定灾害场景的高分辨率增强模型，将基础气象大模型输出的关键要素场作为条件输入，引入扩散式超分辨率生成机制，对海平面气压（MSL）、总降水量（TP）及近地面风场等与台风路径演变、强降水强度密切相关的核心变量进行时空细化重建。在保持大尺度环流一致性的前提下，实现由粗分辨率到精细网格的多尺度映射与结构补全，从而显著提升对局地极端天气结构、降水中心位置及气压梯度变化的刻画能力。为台风精细路径预报、暴雨落区研判、极端温度变化等灾害风险评估提供更高分辨率、更高可信度的输入基础。
短临预报方面，系统以高时效站点观测数据为基础，融合多源雷达回波信息，构建面向局地天气演变的图神经网络预测模型。通过将自动气象站、微站及雷达像元抽象为时空图结构节点，刻画降水强度、风场变化与地形分布之间的关联关系，实现对局地对流发展过程的快速学习与动态更新。在此基础上，引入雷达回波补全与外推一体化模块，利用深度生成与运动场估计技术，对雷达遮挡区、缺测区进行结构补偿，并对未来0–2小时降水回波进行连续时序外推。
