AGCD：面向天气预报的智能体引导跨模态解码

准确的天气预报不仅是网格级回归：它必须保持气象场连贯的天气尺度结构与物理一致性，尤其是在自回归滚动预报中，单步的小误差可能被放大为结构性偏差。现有的物理先验方法通常通过架构、正则化或NWP耦合施加全局的、一次性的约束，在部署时提供的状态自适应和样本级可控性有限。为弥合这一差距，我们提出智能体引导跨模态解码（Agent-Guided Cross-modal Decoding, AGCD），这是一种即插即用的解码时先验注入范式，从当前多变量大气状态中导出状态条件化的物理先验，并以可控、可复用的方式将其注入预报模型。具体而言，我们设计了多智能体气象描述流水线来生成状态条件化的物理先验，利用多模态大语言模型（MLLM）有效提取各类气象要素。为有效应用这些先验，AGCD进一步引入跨模态区域交互解码，执行区域感知的多尺度分词与高效的物理先验注入，在不改变骨干网络接口的情况下精炼视觉特征。在WeatherBench上的实验表明，在两种分辨率（5.625度与1.40625度）和多种骨干网络（通用型与气象专用型）上，6小时预报均获得一致提升，包括严格因果的48小时自回归滚动预报，可减少早期误差累积并提升长程稳定性。