以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Probabilistic time-series forecasting requires models that simultaneously capture structured temporal dynamics, expressive uncertainty, and efficient inference, yet existing approaches fall short of this goal: latent dynamical models impose structure but rely on restrictive generation mechanisms, while modern generativ
阅读原文 · Raz Marshanski, Liran Nochumsohn, Mayank Jauhari, Boris N. Oreshkin, Omri Azencot
向阳乔木 · opencode-go/deepseek-v4.1-flash
时间序列的概率预测一直有个尴尬的三角：要结构化的动力学，要能表达不确定性，还要推理够快。多数方法只能占两样。潜变量动力学模型有结构，但生成机制受限；扩散和 flow matching 灵活，代价是几十步迭代采样。 这篇 KGO 的赌注是：把预测看成“结构化不确定性在潜空间里的演化”，再用 Koopman 算子的线性性质，把生成过程压成一步。 对做预测系统落地...