清華、中山、NUS 把壓縮重做一遍：生成式先驗模型，地球觀測資料最高縮 10,000 倍不失科學價值

清華大學、中山大學與新加坡國立大學（NUS）研究人員提出一套生成式壓縮框架，以地球長期重複觀測歷史作為先驗，按需達成 100 至 10,000 倍資料縮減，同時保留科學分析所需的資訊量。核心轉變是：壓縮從存儲後處理，成為基礎模型的主動能力層。

模型訓練在 LineShine Armv9 CPU 超算上完成，持續算力 1.54 EFLOP/s，峰值 2.16 EFLOP/s，屬超大算力（exascale）等級。壓縮器利用衛星長期重複拍攝同一地點的特性，解碼時從地球觀測歷史分布重建細節，而非憑空推測。完整論文標題為《Transforming the Use of Earth Observation Data: Exascale Training of a Generative Compression Model with Historical Priors for up to 10,000x Data Reduction》。

這意味著，當領域存在強重複先驗時，壓縮可以是表示（representation）層的主動能力，而非管線末端的節省空間手段。同一模型可以同時承擔資料採集、分發與分析三個角色，統一在生成框架下。對工程師的信號：凡是歷史重複性高的觀測資料場景，這套「壓縮即表示」的思路理論上有直接移植的可能。