# 科学计算大模型训练流程与选择建议 #### 科学计算大模型训练流程介绍 科学计算大模型的训练主要分为两个阶段：预训练与微调。 - **预训练阶段**：预训练是模型学习基础知识的过程，基于大规模通用数据集进行。例如，在区域天气要素预测中，可以重新定义表面变量、高空变量，调整高空层、时间分辨率、水平分辨率以及区域范围，以适配自定义区域的模型场景。此阶段需预先准备区域的高精度数据。 - **微调阶段**：在预训练模型的基础上，微调利用特定领域的数据进一步优化模型，使其更好地满足实际任务需求。例如，区域天气要素预测的微调是在已有模型上添加最新数据，不改变模型结构参数或引入新要素，以适应数据更新需求。 在实际流程中，通过设定训练指标对模型进行监控，以确保效果符合预期。在微调后，评估用户模型，并进行最终优化，确认其满足业务需求后，进行部署和调用，以便实际应用。 #### 科学计算大模型选择建议 科学计算大模型支持训练的模型类型有：全球中期天气要素模型。 - **全球中期天气要素预测模型选择建议** ： 科学计算大模型的全球中期天气要素预测模型，可以对未来一段时间的天气进行预测，具备以下优势： - 高时间精度：全球中期天气要素预测模型可以预测未来1、3、6、24小时的天气情况，降水模型可预测未来6小时的降水情况。高时间精度对于农业、交通、能源等领域的决策和规划非常重要。 - 全球覆盖：全球中期天气要素预测模型和降水模型能够在全球范围内进行预测，不仅仅局限于某个地区。它的分辨率相当于赤道附近每个点约25公里\*25公里的空间。 - 数据驱动：全球中期天气要素预测模型和降水模型使用历史天气数据来训练模型，从而提高预测的准确性。这意味着它可以直接利用过去的观测数据，而不仅仅依赖于数值模型。 全球中期天气要素预测模型、降水模型信息见[表 全球中期天气要素预测模型信息表]。 表1全球中期天气要素预测模型信息表 | 模型 | 预报层次 | 预报高空变量 | 预报表面变量 | 时间分辨率 | 水平分辨率 | 区域范围 | |:---|:---|:---|:---|:---|:---|:---| | 全球中期天气要素预测模型 | 13层（1000hpa，925hpa，850hpa，700hpa，600hpa，500hpa，400hpa，300hpa，250hpa，200hpa，150hpa，100hpa，50hpa） | T：温度 Q：比湿 Z：重力位势 U：U风 V：V风 | MLSP：海平面气压 U10：10米U风，经度方向 V10：10米V风，纬度方向 T2M：2米温度 | 1、3、6、24小时 | 0.25°\*0.25° | 全球 | 支持训练的模型清单见[表 中期天气要素预测模型的类型]，您可直接选择Pangu-AI4S-Global-Weather v1.5.9/v4.2.9 V1/V4版组合模型部署，或者根据具体使用场景选择合适的模型，请注意Pangu-AI4S-Global-Weather x.x.8及以前的版本模型属于历史版本，在2026年5月30日后不再支持训练。例如天气基础要素预测，需要时间分辨率为1小时的场景下，您可以选择**Pangu-AI4S-Global-Weather-** **v1.1.9-1h**模型。 表2中期天气要素预测模型 | 模型名称 | 模型版本及时间分辨率 | 说明 | |:---|:---|:---| | Pangu-AI4S-Global-Weather | v1.1.9-1h | 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为1小时，1个训练单元起训及1个推理单元部署。 | | Pangu-AI4S-Global-Weather | v1.2.9-3h | 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为3小时，1个训练单元起训及1个推理单元部署。 | | Pangu-AI4S-Global-Weather | v1.3.9-6h | 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为6小时，1个训练单元起训及1个推理单元部署。 | | Pangu-AI4S-Global-Weather | v1.4.9-24h | 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为24小时，1个训练单元起训及1个推理单元部署。 | | Pangu-AI4S-Global-Weather | v1.5.9-Integration | 2026年4月发布的版本，用于天气基础要素预测的V1版组合模型，仅支持推理，时间分辨率1小时，包含1小时、6小时、24小时分辨率模型。1个推理单元部署。 | | Pangu-AI4S-Global-Weather | v2.1.9-6h | 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为6小时，预报准确度更高，1个推理单元部署。 | | Pangu-AI4S-Global-Weather | v4.1.9-6h | 2025年9月发布的版本，用于天气基础要素预测，相比于旧版本的精度有30%提升，时间分辨率为6小时，仅支持部署，1个推理单元部署。 | | Pangu-AI4S-Global-Weather | v4.2.9-Integration | 2026年4月发布的版本，用于天气基础要素预测的V4版组合模型，仅支持推理，时间分辨率1小时，包含1小时、6小时分辨率模型。1个推理单元部署。 | - **区域新能源风预测模型选择建议** ： 科学计算大模型的区域新能源风预测模型，可以对未来一段时间的天气要素以及风速进行预测。 区域新能源风模型的训练支持预训练、微调两种操作，如果直接使用平台预置的区域新能源风模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：可以在重新指定层次、高空变量、表面变量、以及表面观测、时间分辨率、水平分辨率以及区域范围，适用于想自定义自己的区域模型的场景，需预先准备好区域高精度数据。 - 微调：在已有模型的基础上添加新数据，它适用于不改变模型结构参数和引入新要素的情况，添加最新数据的场景。 区域新能源风，信息见[表 区域新能源风预测模型信息表]。 表3区域新能源风预测模型信息表 | 模型 | 层次 | 高空变量 | 表面变量 | 时间分辨率 | 水平分辨率 | 区域范围 | |:---|:---|:---|:---|:---|:---|:---| | 区域新能源风模型 | 1, 0.994065, 0.986518, 0.976983, 0.96503, 0.931987, 0.853381, 0.562185, 0.338478 | P：压强 U：U风 V：V风 Q：比湿 T：温度 | MLSP：海平面气压 U10：10米U风，经度方向 V10：10米V风，纬度方向 T2M：2米温度 | 1小时 | 0.03°\*0.03° | 特定区域 | 支持训练的模型清单见[表 区域新能源风预测模型]， 表4区域新能源风预测模型 | 模型名称 | 模型版本及时间分辨率 | 说明 | |:---|:---|:---| | Pangu-AI4S-Regional-Wind | v1.1.9-1h | 2025年4月发布的版本，用于新能源风要素预测，1个训练单元起训及1个推理单元部署。 | - **区域新能源光预测模型选择建议** ： 科学计算大模型的区域新能源光预测模型，可以对未来一段时间的光辐照进行预测。 区域新能源光模型的训练支持预训练、微调两种操作，如果直接使用平台预置的区域新能源光模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：可以在重新指定表面变量、以及时间分辨率、水平分辨率以及区域范围，适用于想自定义自己的区域模型的场景，需预先准备好区域高精度数据。 - 微调：在已有模型的基础上添加新数据，它适用于不改变模型结构参数和引入新要素的情况，添加最新数据的场景。 区域新能源光，信息见[表 区域新能源光预测模型信息表]。 表5区域新能源光预测模型信息表 | 模型 | 表面变量 | 时间分辨率 | 水平分辨率 | 区域范围 | |:---|:---|:---|:---|:---| | 区域新能源光模型 | 短波辐射 | 1小时 | 0.03°\*0.03° | 特定区域 | 支持训练的模型清单见[表 区域新能源光预测模型]， 表6区域新能源光预测模型 | 模型名称 | 模型版本及时间分辨率 | 说明 | |:---|:---|:---| | Pangu-AI4S-Regional-Photovoltaics | v1.1.9 | 2025年7月发布的版本，用于区域新能源光要素预测，1个训练单元起训及1个推理单元部署。 | - **区域中期天气要素预测模型选择建议** ： 区域中期天气要素模型。支持13层高空预报，5种高空变量：温度、比湿、重力位势、U风、V风。4种表面变量：海平面气压、10米U风（经度方向）、10米V风（纬度方向）、2米温度。支持模型预训练和微调。 区域中期天气要素模型的训练支持预训练、微调两种操作，如果直接使用平台预置的区域中期天气要素模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：可以在重新指定表面变量、以及时间分辨率、水平分辨率以及区域范围，适用于想自定义自己的区域模型的场景，需预先准备好区域高精度数据。 - 微调：在已有模型的基础上添加新数据，它适用于不改变模型结构参数和引入新要素的情况，添加最新数据的场景。 区域中期天气要素，信息见[表7]。 表7区域中期天气要素预测模型信息表 | 模型 | 高空变量 | 表面变量 | 时间分辨率 | 水平分辨率 | 区域范围 | |:---|:---|:---|:---|:---|:---| | 区域中期天气要素预测模型 | sigma层： P：压强 U：U风 V：V风 Q：比湿 T：温度 isobaric层： T：温度 Q：比湿 Z：重力位势 U：U风 V：V风 | MLSP：海平面气压 U10：10米U风，经度方向 V10：10米V风，纬度方向 T2M：2米温度 | 1、3、6、24小时 | 0.03°\*0.03° | 特定区域 | 支持训练的模型清单见[表8]， 表8区域中期天气要素预测模型 | 模型名称 | 模型版本及时间分辨率 | 说明 | |:---|:---|:---| | Pangu-AI4S-Regional-Weather | v1.1.9 | 2025年9月发布的版本，用于区域中期天气要素预测，1h模型时间分辨率，支持输出13层高空预报，5种高空变量：温度、比湿、重力位势、U风、V风。4种表面变量：海平面气压、10米U风（经度方向）、10米V风（纬度方向）、2米温度。支持模型预训练和微调，预训练时可添加新要素、更改模型时间分辨率以及指定区域范围和水平分辨率，1个训练单元起训及1个推理单元部署。 | - **区域降水预测模型选择建议** ： 区域降水预测模型。输出累计模型时间分辨率的降水，即模型时间分辨为1小时，输出累计1小时的降水量。支持模型预训练和微调。 区域降水预测模型的训练支持预训练、微调两种操作，如果直接使用平台预置的区域降水预测模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：可以在重新指定表面变量、以及时间分辨率、水平分辨率以及区域范围，适用于想自定义自己的区域模型的场景，需预先准备好区域高精度数据。 - 微调：在已有模型的基础上添加新数据，它适用于不改变模型结构参数和引入新要素的情况，添加最新数据的场景。 区域中期天气要素，信息见[表9]。 表9区域降水预测模型信息表 | 模型 | 表面变量 | 时间分辨率 | 水平分辨率 | 区域范围 | |:---|:---|:---|:---|:---| | 区域降水预测模型 | precip1h：过去1h累计降水 | 1、3、6、24小时 | 0.03°\*0.03° | 特定区域 | 支持训练的模型清单见[表10]， 表10区域降水预测模型 | 模型名称 | 模型版本及时间分辨率 | 说明 | |:---|:---|:---| | Pangu-AI4S-Regional-Precip | v1.1.9 | 2025年6月发布的版本，用于区域降水预测，1h模型时间分辨率，支持输出累计1h降水，支持预训练和微调，预训练时库可添加新要素、更改模型时间分辨率以及指定区域范围和水平分辨率，1个训练单元起训及1个推理单元部署。 | #### 科学计算大模型训练类型选择建议 目前，全球中期天气要素模型提供训练功能和推理功能，降水模型仅提供推理功能。 - **全球中期天气要素预测模型的训练类型选择建议：** 全球中期天气要素预测模型的训练支持预训练、微调两种操作，如果直接使用平台预置的中期天气要素预测模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：训练用于添加新的高空层次、高空变量或表面变量。如果您需要在现有模型中引入新要素，需要使用训练（重新训练模型）。在重训配置参数时，您可以选择新要素进行训练。请注意，所选的数据集必须包含您想要添加的新要素。此外，您还可以通过训练更改所有的模型参数，以优化模型性能。 - 微调：微调是将新数据应用于已有模型的过程。它适用于不改变模型结构参数和引入新要素的情况。如果您有新的观测数据，可以使用微调来更新模型的权重，以适应新数据。 - **区域新能源风预测模型的训练类型选择建议** ： 区域新能源风预测模型的训练支持预训练、微调两种操作，如果直接使用平台预置的区域新能源风预测模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：可以在重新指定层次、高空变量、表面变量、以及表面观测、时间分辨率、水平分辨率以及区域范围，适用于想自定义自己的区域模型的场景，需预先准备好区域高精度数据。 - 微调：在已有模型的基础上添加新数据，它适用于不改变模型结构参数和引入新要素的情况，添加最新数据的场景。 - **区域新能源光预测模型的训练类型选择建议** ： 区域新能源光预测模型的训练支持预训练、微调两种操作，如果直接使用平台预置的区域新能源光预测模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：可以在重新指定表面变量、以及时间分辨率、水平分辨率以及区域范围，适用于想自定义自己的区域模型的场景，需预先准备好区域高精度数据。 - 微调：在已有模型的基础上添加新数据，它适用于不改变模型结构参数和引入新要素的情况，添加最新数据的场景。 - **区域中期天气要素预测模型的训练类型选择建议** ： 区域中期天气要素预测模型的训练支持预训练、微调两种操作，如果直接使用平台预置的区域中期天气要素预测模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：可以在重新指定层次、高空变量、表面变量、以及表面观测、时间分辨率、水平分辨率以及区域范围，适用于想自定义自己的区域模型的场景，需预先准备好区域高精度数据。 - 微调：在已有模型的基础上添加新数据，它适用于不改变模型结构参数和引入新要素的情况，添加最新数据的场景。 - **区域降水预测模型的训练类型选择建议** ： 区域降水预测模型的训练支持预训练、微调两种操作，如果直接使用平台预置的区域降水预测模型不满足您的使用要求时，可以进行预训练或微调。预训练、微调操作的适用场景如下： - 预训练：可以在重新指定表面变量、以及时间分辨率、水平分辨率以及区域范围，适用于想自定义自己的区域模型的场景，需预先准备好区域高精度数据。 - 微调：在已有模型的基础上添加新数据，它适用于不改变模型结构参数和引入新要素的情况，添加最新数据的场景。