多算幾步，就會預測得更準嗎？

更多計算，不是更多觀測

模型可以在 inference 期間多花時間，用眼前軌跡更新預測規則，但這不等於收到新量測。這個專案問：若 context fit 改善，有沒有轉移到未見的乾淨未來？同一批證據，是否也足以支持附在預測上的物理解釋？

研究依據 Lai 等人 Test-Time Forecasting v1 的部分公式，是小規模獨立重實作，不宣稱重現完整原始實驗。DMD、attention／梯度下降及 Fourier operators 的既有背景獲明確引用，不包裝成新的學習原理。

兩個受控案例

第一個案例重建 620 參數循環 linear-attention 模型，處理穩定八維 affine 系統。56 個合資格系統分成 32 訓練、八驗證、16 完全預留系統。直接解、正則化、total-DMD 及解析迭代基線，分清結果來自學習型 recurrence，還是求解 context 回歸本身。原文規則正規化和平方 norm 版本分開保留。

第二個案例使用解析傳播的週期平流–擴散場，讓七模態 Fourier adapter 從 identity、random、pretrained 初始化出發，使用相同主要 inner optimizer 設定比較。17 個儲存實數量包含兩個固定 scalar maps，15 個量進入最佳化；真正可辨識的物理組合更少。直接 Fourier 最小平方參照，分清未完成最佳化與資訊不足。

各方法共用觀測，對乾淨未來評分。1% 和 5% 噪聲指減去 context 時間平均後的訓練波動 RMS，不是整個場大小。調參只使用驗證資料；三個訓練 seeds 分開呈現，不把時間點或同一模型下的大量軌跡當成獨立訓練重複。

預測不自動等於辨識

精確回歸控制說明，平方 norm 步長條件和零空間初始化不能忽略。另一個週期採樣控制，在間距 1/64 比較速度 20 與 84：兩者連續運動不同，採樣 Fourier propagators 卻完全相同。即使採樣預測非常好，也不能補出觀測本來沒有的區分資訊。

兩輪完整運算的科學輸出相同。由八次比較至 128 次更新，4,608 對有限 LDS 中有 92 對、6,720 對有限 AD 中有 2,084 對 context 擬合改善、未來預測反而變差。AD 這類個案全部來自 random initialization，不是 identity 或 pretrained，部分更在零觀測噪聲發生；不能稱為普遍噪聲 overfitting。完整表保留 77,184 筆 LDS 和 62,400 筆 AD 紀錄，分別有 28,761 和 2,558 筆失敗；這些相關紀錄不是獨立重複。

貢獻定位為有界線的合成比較與機制解說，不建立天氣、工程量測或任意 Transformer 的準確度保證。較小 AdamW 訓練運算，亦不能單獨確認或推翻原作者使用 SOAP 的研究。

閱讀《多算幾步，就會預測得更準嗎？》，了解推導、十幅研究圖、配對比較，以及擬合、預測與動力學辨識的分別。

主要結果

• 採樣間距為 1/64 時，速度 20 與 84 的週期場可以具有相同採樣傳播。
• 128 次更新的平方 LDS 模型，乾淨預留中位誤差為 0.0692118、0.0636388、0.0722670，各有 128 條成功軌跡；原文規則每個 seed 的 128 條全部失敗。
• 乾淨預留 Fourier 預測在 128 次更新下，pretrained seeds 中位誤差為 0.0207394、0.0258472、0.0103202，identity 為 0.0683804；每摘要包含 160 條成功有限軌跡。
• 同類 Fourier 最小平方的乾淨預留中位誤差為 1.0954e-14，百分之五噪聲下為 0.0183728；直接擬合仍是強參照。
• 4,608 對有限 LDS 中有 92 對、6,720 對 AD 中有 2,084 對擬合改善而預測變差；AD 這類個案全來自 random 初始化，不是 identity 或 pretrained。

限制