FlowBatt
基于流匹配与扩散 Transformer 骨干的条件生成框架，用于跨化学体系的电池健康状态（SOH）轨迹概率预测，可生成多条退化轨迹并提供经验预测区间
时间轴 (近 90 天)
FlowBatt 是一个基于条件生成模型的电池退化预测框架，采用流匹配方法结合扩散 Transformer（DiT）骨干网络，以早期循环容量数据为条件生成未来 SOH 轨迹。
FlowBatt 在五个公开基准设置上取得最优的轨迹级 SOH 预测性能，误差低于 2.5%。
FlowBatt 在 RUL 预测上保持竞争力，与监督学习模型、基于扩散的轨迹模型及成熟的 RUL 预测基线在共享数据划分下比较。
FlowBatt 能够生成多条合理轨迹，给出退化建模的经验预测区间，这是确定性方法无法提供的输出维度。
FlowBatt 研究团队引入可解释 AI 分析来诊断并改进条件编码器，将 XAI 作为模型开发阶段的诊断工具而非事后解释。
论文未披露模型在不同数据规模下的表现，也未讨论推理成本对嵌入式电池管理系统的适用性。
FlowBatt 的跨化学体系泛化能力在五个基准上得到验证，但真实部署中的数据分布漂移仍是待解问题。
全部知识事实 (7)
FlowBatt 是一个基于条件生成模型的电池退化预测框架，采用流匹配方法结合扩散 Transformer（DiT）骨干网络，以早期循环容量数据为条件生成未来 SOH 轨迹。
50%待验证FlowBatt 在五个公开基准设置上取得最优的轨迹级 SOH 预测性能，误差低于 2.5%。
50%待验证FlowBatt 在 RUL 预测上保持竞争力，与监督学习模型、基于扩散的轨迹模型及成熟的 RUL 预测基线在共享数据划分下比较。
50%待验证FlowBatt 能够生成多条合理轨迹，给出退化建模的经验预测区间，这是确定性方法无法提供的输出维度。
50%待验证FlowBatt 研究团队引入可解释 AI 分析来诊断并改进条件编码器，将 XAI 作为模型开发阶段的诊断工具而非事后解释。
50%待验证论文未披露模型在不同数据规模下的表现，也未讨论推理成本对嵌入式电池管理系统的适用性。
50%待验证FlowBatt 的跨化学体系泛化能力在五个基准上得到验证，但真实部署中的数据分布漂移仍是待解问题。
50%