面向自回归动力学系统预测的可扩展单步生成建模

高维物理动力学的快速替代模型不仅需要低的短期误差：有用模型必须在保持长轨迹统计结构的同时实现高效展开。神经算子提供低成本的自回归预测，但在湍流 regime 下会产生漂移；而滚动扩散和潜在生成 surrogate 则能表示随机转移，但需多步去噪、噪声计划设计或辅助压缩模型。我们提出 MeanFlow Long-term Invariant Spatiotemporal Consistency Autoregressive Models（MeLISA），这是一种基于像素空间 MeanFlow 的无潜在空间自回归生成 surrogate。MeLISA 定义块状随机转移核，每个预测块仅通过一次模型评估即可生成，从而避免潜在编码器和迭代扩散求解器的推理时间。为稳定长期滚动，MeLISA 结合了从部分观测时间窗口学习条件时空生成的 Window-Consistency MeanFlow 目标，以及约束多滞延 finite increment 并针对时间相关结构目标的 Time Increment Consistency 损失。我们在两个高分辨率基准上评估 MeLISA：256×256 的扩展 2D Kolmogorov 流和 192×192 的湍流通道流切片。MeLISA 在短期预测精度和长期统计指标上均优于神经算子基线，包括能谱、湍流动能和混合率相关动力学，同时实现了与神经算子相当，甚至在某些情况下更快的推理速度。紧凑型 3.7-5.7M 参数变体已实现强的参数效率，DiT 变体提供了可扩展至 150M 参数的路径。总体而言，MeLISA 在滚动效率和长期统计准确性方面均取得显著改进。