谷歌研究团队在《自然》期刊发表论文，展示WeatherNext AI模型在预测热带气旋路径、强度和风结构上达到最先进精度，相当于气象学十年进展。该模型能提供额外一天的预警时间，现已被开源给全球研究社区，以增强气候适应能力。

谷歌DeepMind推出WeatherNext 2，显著提升天气预报的精度和速度。通过FGN技术，模型利用32个随机数字生成多种天气情景，尤其在极端天气预报中表现突出，能够提前24小时提供准确路径。

蚂蚁数科推出EnergyTS 2.0，参数规模从1B扩展至7B，提升了新能源预测的精度，解决了弃风弃电问题。该模型在光伏、风力发电及用电负荷预测中表现优异，并开源Energy-EVA评测基准，帮助企业降低用能成本。

我国首个全链式空间天气AI预报模型“风宇”发布，提升了空间天气预报的精度和效率。该模型通过智能耦合技术，实现了太阳风、磁层和电离层的协同预测。

微软研究院推出了大规模大气基础模型Aurora，利用超过一百万小时的地球物理数据进行预训练，显著提升了空气质量、海洋波浪和热带气旋路径的预测精度与效率，计算速度提高约5000倍，推动气候和天气信息获取。

本研究提出的新模型PASSAT，解决了现有天气预测模型忽视天气演变物理和地表拓扑结构的问题。PASSAT结合了大气对流与球面图神经网络，显著提高了预测精度。

本研究提出的Chronos模型通过高级时序模式识别，解决了传统物理模型和机器学习在波高预测中的效率和建模不足问题，显著提升了预测的精度与速度。

本研究探讨了基础时间序列模型在增量学习中的持续改进能力。研究表明，Time-MoE和Chronos等模型在增量微调中能够持续提高预测精度，而传统模型则表现下降，强调了优化微调策略的重要性。

本研究提出了一种新颖的混合规则时间点过程（HRTPP）框架，旨在提升医疗领域时间点过程模型的可解释性和预测精度。实验结果表明，HRTPP在预测性能和临床可解释性方面优于现有模型，并展示了其在疾病进展解释中的潜在应用。

本研究提出了一种新型多任务学习框架DG-STMTL，用于智能交通系统中的时空交通预测。该框架结合静态和动态邻接矩阵，通过特定门控机制提高预测精度，实验结果表明其优于现有方法，具有良好的效果与稳健性。

本研究提出了WaveHiTS模型，结合小波变换和神经分层插值，解决了风向预测中的循环特性和误差累积问题。该模型在真实气象数据上表现优于多种深度学习模型，显著提高了预测精度和稳定性，对风能利用和电网整合具有重要意义。

本研究提出了一种基于时间序列预测的多视角外科视频分析方法，解决了单摄像机录制时的视线遮挡和固定角度问题。通过选择最佳镜头序列，确保每个时刻都能获得最佳视角。实验结果表明，该方法在预测精度上优于传统方法，对外科教育和患者安全具有重要意义。

本研究提出了一种神经隐式表示的方法，用于高效可靠地预测不规则小天体的日食事件。测试结果显示，该方法在准确性上与传统技术相当，但性能更优，能够直接从稀疏轨迹数据中训练，提高预测精度。

本研究提出了一种DenseFormer方法，通过条件扩散模型从稀疏深度图和RGB图像生成密集深度图，显著提高了深度图预测的精度，超越了传统的深度补全方法。

本研究提出了一种新方法，通过自适应中频能量优化模块和关键频率选择块，解决了深度学习模型在多变量时间序列分析中提取中频和关键频率信息的不足。该方法在交通、ECL和太阳能等领域的预测精度显著提高，均方误差分别降低了4%、6%和5%。

本研究提出脑潜在进程模型（BrLP），通过整合个体元数据和疾病动态知识，提升了3D脑MRI扫描的预测精度，实验结果显示其准确性优于现有方法。