Omni-Weather : Modèle Fondamental Multimodal Unifié pour la Génération et la Compréhension des Conditions Météorologiques
Omni-Weather: Unified Multimodal Foundation Model for Weather Generation and Understanding
December 25, 2025
papers.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
cs.AI
papers.abstract
La modélisation météorologique nécessite à la fois une prédiction précise et une interprétation mécaniste, pourtant les méthodes existantes traitent ces objectifs de manière isolée, séparant la génération de la compréhension. Pour combler cette lacune, nous présentons Omni-Weather, le premier modèle fondation multimodal qui unifie la génération et la compréhension météorologiques au sein d'une architecture unique. Omni-Weather intègre un encodeur radar pour les tâches de génération météorologique, suivi d'un traitement unifié utilisant un mécanisme d'auto-attention partagé. De plus, nous construisons un jeu de données de raisonnement en chaîne pour le raisonnement causal dans la génération météorologique, permettant des résultats interprétables et une qualité perceptuelle améliorée. Des expériences approfondies montrent qu'Omni-Weather atteint des performances de pointe à la fois en génération et en compréhension météorologiques. Nos résultats indiquent en outre que les tâches génératives et de compréhension dans le domaine météorologique peuvent s'améliorer mutuellement. Omni-Weather démontre également la faisabilité et la valeur de l'unification de la génération et de la compréhension météorologiques.
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.