Omni-Weather: Modelo de Fundación Multimodal Unificado para la Generación y Comprensión del Clima
Omni-Weather: Unified Multimodal Foundation Model for Weather Generation and Understanding
December 25, 2025
Autores: 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
cs.AI
Resumen
La modelización meteorológica requiere tanto predicción precisa como interpretación mecanicista, sin embargo, los métodos existentes abordan estos objetivos de forma aislada, separando la generación de la comprensión. Para abordar esta brecha, presentamos Omni-Weather, el primer modelo fundacional multimodal que unifica la generación y comprensión meteorológica dentro de una única arquitectura. Omni-Weather integra un codificador de radar para tareas de generación meteorológica, seguido de un procesamiento unificado mediante un mecanismo de autoatención compartido. Además, construimos un conjunto de datos de Cadena de Razonamiento para el razonamiento causal en la generación meteorológica, permitiendo salidas interpretables y una calidad perceptual mejorada. Experimentos exhaustivos demuestran que Omni-Weather logra un rendimiento de vanguardia tanto en generación como en comprensión meteorológica. Nuestros hallazgos indican además que las tareas generativas y de comprensión en el dominio meteorológico pueden reforzarse mutuamente. Omni-Weather también demuestra la viabilidad y el valor de unificar la generación y comprensión meteorológica.
English
Weather modeling requires both accurate prediction and mechanistic interpretation, yet existing methods treat these goals in isolation, separating generation from understanding. To address this gap, we present Omni-Weather, the first multimodal foundation model that unifies weather generation and understanding within a single architecture. Omni-Weather integrates a radar encoder for weather generation tasks, followed by unified processing using a shared self-attention mechanism. Moreover, we construct a Chain-of-Thought dataset for causal reasoning in weather generation, enabling interpretable outputs and improved perceptual quality. Extensive experiments show Omni-Weather achieves state-of-the-art performance in both weather generation and understanding. Our findings further indicate that generative and understanding tasks in the weather domain can mutually enhance each other. Omni-Weather also demonstrates the feasibility and value of unifying weather generation and understanding.