“飞鱼-1.0”海-气双向耦合大模型

“飞鱼-1.0”海-气双向耦合大模型是什么：一个具体产品的轮廓

2026年2月7日的广州发布会现场，屏幕上演示了一项实时对比。传统数值模式在超算上运行两个多小时才出结果，而一款新工具输入初始场后，3秒便给出未来三天的海温、盐度和流场预报。这就是“飞鱼-1.0”海-气双向耦合大模型（以下简称“该模型”），由中国科学院南海海洋研究所与中国石油大学（华东）联合研发。该平台定位为全球首个面向南海区域的海-气双向耦合智能大模型，核心特点在于数据自主、双向耦合和轻量化部署。据中国新闻网报道，其训练数据来自自主研制的REDOS 2.0数据集，打破了以往对欧美再分析数据的依赖。不过，宣称的3秒预报是在国产化单机环境下完成，实际端到端耗时是否包含数据预处理尚无公开说明。

命名与定位：从《山海经》到海气界面

“飞鱼”之名取自《山海经》，寓意跨越海气界面、突破预报局限。该工具专注南海区域，强调海-气双向耦合，即同时模拟海洋与大气间的动量、热量交换，而非传统单向强迫。研发方宣称实现了物理机理与AI的融合，证据是三项核心技术：采用SwinTransformer架构处理多尺度过程，引入“快慢”双通道学习模拟双向交互，以及基于多专家系统（MOE，一种让模型根据不同任务调用专用计算模块的架构）的模块化设计。但实际融合深度仍需独立验证：目前公开资料仅展示了温盐预报精度对比，未给出海气通量等耦合物理量的直接验证结果。该模型在南海的定位精准，但能否推广至其他海域尚属未知。

研发背景：为何需要国产化海洋大模型

此前，国内海洋大模型训练高度依赖欧洲GLORYS12或美国HYCOM等再分析数据。这些数据源存在获取不稳定、区域适应性差的风险。据科技日报报道，该平台使用的REDOS 2.0数据集由中国科学院南海海洋研究所自主研制，分辨率足以刻画南海内波和锋面。这使模型摆脱了对国外数据的依赖，在敏感海域预报中具有战略价值。但REDOS 2.0的长周期稳定性仍需验证：其覆盖时长仅十余年，而传统数值模式依赖30年以上的气候态数据。该模型仅需3年历史数据即可训练，这既是效率优势，也引发对极端事件预报能力的质疑。

核心功能：能做什么与怎么用

一艘科考船在南海作业时遭遇内波，船体剧烈摇晃。传统预报模式分辨率不足，难以捕捉这种小尺度过程。该工具同时输出了大尺度环流和百米级内波预报，帮助调整航向。这一场景展示了其四项核心功能：高精度温盐预报、多尺度过程模拟、智能化海气交互、模块化扩展。据官网信息，模型在国产化单机环境下3秒完成3天预报，但这一速度是纯推理时间，数据预处理和可视化未计入。实际端到端耗时可能更长。

高精度温盐预报：精度超越国际主流

多尺度过程模拟：从环流到内波

传统数值模式难以兼顾大尺度环流和小尺度内波，因为计算网格无法同时解析千米级和百米级过程。该平台通过SwinTransformer架构的多尺度特征提取能力，在同一模型中刻画了从环流到锋面的多尺度现象。但小尺度过程的验证数据是否充分？内波观测资料稀缺，模型训练可能依赖仿真数据，其真实海洋代表性存疑。

智能化海气交互：快慢双通道学习

“快慢”双通道学习机制是该工具的特色：快通道捕捉高频变化（如日变化），慢通道学习低频演变（如季节循环）。研发方宣称实现了海气间动量、热量的双向耦合，对比传统大气强迫海洋的单向模式有改进。但实际耦合的物理量是否完整？例如，水汽交换和波浪作用是否纳入？目前公开信息未提及。

模块化扩展：多专家系统的即插即用

该模型自主研发了面向海气要素预报的多专家系统（MOE），能根据不同任务调用最合适的计算模块，支持新海域或新任务的低成本扩展。官方称这降低了学习能耗。但模块化扩展是否牺牲了部分精度？当专家网络切换时，预报一致性如何保证？尚无相关测试数据。

“飞鱼-1.0”海-气双向耦合大模型实操指南：场景化的操作清单

某海洋研究所团队准备南海航次，需要未来三天的温盐流预报。他们通过合作渠道接入该模型，上传初始场数据，选择预报时长和输出变量，点击运行。3秒后，NetCDF格式的结果返回，再用Python脚本绘制出温盐剖面图。整个过程看似简单，但前提是已获得访问权限并熟悉数据预处理。

访问与权限：当前以合作接入为主

目前，该工具主要通过科研机构合作接入，尚无公开SaaS服务。据官网信息，合作单位需提交正式申请，审核通过后获得API接口。轻量化部署宣称支持边缘设备，但实际获取门槛较高：个人用户无法直接使用，只能通过所在单位或公共服务平台间接接触。这阻碍了广泛应用，与“低门槛”愿景矛盾。

典型工作流：从数据输入到预报输出

一次完整预报流程包括：准备南海区域历史观测数据（需符合REDOS 2.0标准），加载预训练模型权重，配置多专家系统参数，输入当前海洋状态数据，启动推理。宣称3秒完成3天预报，但这是纯推理时间。数据预处理（如插值到模型网格）和结果可视化可能额外耗时数分钟。单机配置要求为16GB内存，但具体CPU/GPU型号未公开。

“飞鱼-1.0”海-气双向耦合大模型与类似工具的取舍

海洋预报中心日常业务需在时效性、精度和自主可控间权衡。传统数值模式如ROMS计算耗时长但物理可解释性强；GLORYS12和HYCOM数据获取方便但依赖国外源。该模型为海洋预报提供了一个新选项：3秒推理、自主数据、多尺度能力。但数值模式在极端事件上的物理可解释性仍不可替代，该工具作为AI黑箱模型，预报失败时难以归因。

与GLORYS12和HYCOM的精度对比

上表定性结论来自腾讯网转载的研发团队介绍，具体均方根误差数值研发方未公开。GLORYS12和HYCOM的对比版本、时空窗口均未在公开报道中说明。该模型在南海区域的温盐预报据称确有优势，但全球适用性不及国际产品。

与传统数值模式的效率对比

传统数值模式如ROMS在超算上完成3天预报需数小时，该模型在单机上仅需3秒。效率提升显著，但数值模式可提供流场诊断量（如涡度方程各项），该模型仅输出状态变量。在台风快速增强等极端事件中，物理过程理解仍依赖数值模式。

数据自主性：REDOS 2.0 vs 国外再分析

REDOS 2.0使该模型摆脱国外数据依赖，在敏感海域预报中意义重大。但该数据集的质量和覆盖时长是否足以支撑所有业务需求？其时间跨度仅十余年，而GLORYS12自1993年起的多年序列（GLORYS12V1为1993-2020的冻结再分析产品）。长周期气候态统计可能不足。

“飞鱼-1.0”海-气双向耦合大模型在实际场景中的真实表现

发布会上研发团队演示了一次南海台风过程的快速预报：输入初始场后，3秒生成未来三天海温场，展示了模型在台风快速增强场景下的响应速度。但这只是发布会上的理想化个例演示，台风季批量验证结果研发方尚未公布，独立第三方预报误差检验报告亦缺失。

台风预报：为沿海城市争取预警时间

该模型可快速生成台风路径和强度预报，支撑防灾减灾。研发方在发布会上展示了广东省气象局试点应用案例，宣称台风路径预报精度有所改善，但具体的误差降幅数据未在公开报道中给出。台风强度预报仍是世界难题，该模型能否持续优于数值模式尚待观察。

渔业支撑：温盐预报指导出海作业

模型为渔民提供渔场温盐信息，保障安全与产量。据腾讯网报道，某渔业公司利用该平台预报优化捕鱼效率。但渔业应用需要高频次更新，模型当前是否支持逐小时预报？公开信息仅提及3天预报，更新频率未知。

科考保障：边缘端部署的实战检验

该模型轻量化特性使其适合部署在科考船，实现实时预报。但边缘端部署的实际功耗和稳定性数据尚未公开。在船舶震动、盐雾环境下，硬件可靠性如何？尚无公开测试报告。

“飞鱼-1.0”海-气双向耦合大模型的核心收益：哪些步骤被简化

预报员过去需等待数值模式运行数小时，再人工分析多源数据。使用该工具后，3秒获得预报场，直接叠加到可视化平台。工作流从“提交作业-等待-后处理”简化为“输入-输出”。但数据预处理仍需手动完成，且模型不提供不确定性估计。

预报效率：从数小时到3秒的跨越

3秒是纯推理时间，数据预处理（如观测资料同化）和可视化可能额外耗时10分钟以上。实际端到端耗时需明确。尽管如此，相比传统模式的数小时，时间节省仍具价值，尤其适合紧急会商。

数据自主：摆脱国外依赖的战略收益

REDOS 2.0的持续更新和维护机制是否已建立？研发团队未公开数据集更新计划。若数据源中断，模型性能将退化。长期运行稳定性仍需验证。

“飞鱼-1.0”海-气双向耦合大模型的下一步：从更新日志看

2026年2月发布后，科研社区反馈积极，但指出功能边界模糊。例如，宣称的台风预报能力在初始版本中可能仅支持理想化个例。后续规划方向包括台风强度预报和生态耦合，但尚未形成正式版本。

初始版本的功能边界

发布版本已具备温盐流预报、多尺度模拟和MOE架构。但部分模块可能仍处于实验阶段：如台风强度预报未见独立验证，生态要素预报未集成。官方应明确功能成熟度。

后续规划：从论坛讨论看扩展方向

发布时的高端论坛上，专家建议向台风强度预报、生态耦合等方向扩展。但规划尚未转化为正式版本，实际更新节奏待观察。研发团队未给出时间表。

学习曲线：上手难度与文档支持

一名新入学研究生想使用该模型，需先学习物理海洋学和Python，再通过导师联系合作申请。从接触到独立完成预报，预计需2-3个月。前置知识要求较高，且公开文档匮乏。

前置知识：需要物理海洋与AI基础

宣称低门槛，但实际对交叉学科能力要求较高：用户需理解海洋动力学方程和AI推理流程。这限制了用户群，非专业背景者难以驾驭。

文档与社区：当前支持渠道有限

目前官方文档和教程尚未完善，主要依赖合作机构内部培训。缺乏公开文档阻碍模型推广，与轻量化部署的愿景矛盾。开发者社区仍在建设中。

集成生态：从API到边缘端的扩展潜力

设想一个海洋观测站将该模型嵌入现有数据流水线：传感器数据实时输入，模型自动推理，预报结果推送至手机。这依赖API封装和边缘部署能力。当前API未公开，但MOE架构为扩展提供了可能。

API与模块化：面向开发者的可扩展性

MOE架构支持按任务调用模块，理论上可封装为API。但当前是否已提供公开API？尚无。集成生态仍停留在规划层面，第三方开发者无法直接调用。

边缘端部署：从科考船到观测站

模型轻量化特性支撑边缘部署，但实际案例未公开。边缘端性能是否达到宣称的3秒推理？在低功耗设备上可能减速。功耗和稳定性数据缺失。

参考资料

• 腾讯网（2026-02-07）— 转载科技日报报道，包含性能对比数据和专家采访。
• 中国新闻网（2026-02-07）— 发布新闻，介绍三项核心技术创新和应用领域。
• 佛山plus（2026-02）— 援引研发方介绍13%/12%温盐误差降幅数据。