시간 스케일에 걸쳐 정확한 기상 예측은 기후 변화의 영향을 사전에 예측하고 완화하는 데 필수적이다. 최근 깊은 학습 기반의 데이터 중심 접근법은 중기 예측에서 큰 성공을 거두었지만, 자기회귀적 접근 방식에서 발생하는 오차 누적이 문제로 작용하여 장기적인 초계절에서 계절에 이르는(즉, S2S: subseasonal-to-seasonal) 예측에서는 성능이 저하된다. 본 연구에서는 다양한 시간 스케일에서 기상 예측을 통합하는 확장 가능하고 정확도가 높은 확률적 모델인 OmniCast을 제안한다. OmniCast은 두 가지 구성 요소로 이루어져 있다. 첫째, 원시 기상 데이터를 연속적이고 저차원의 잠재 공간으로 인코딩하는 변환형 평균 엔트로피(VAE) 모델이며, 둘째, 초기 조건 토큰을 기반으로 미래 잠재 토큰 시퀀스를 생성하는 확산 기반 트랜스포머 모델이다. 학습 과정에서는 임의의 미래 토큰을 마스킹하고, 조건 토큰과 관측 가능한 토큰을 기반으로 확산 기반 헤드를 사용하여 해당 토큰들의 분포를 추정하도록 트랜스포머를 학습한다. 추론 과정에서는 트랜스포머가 임의의 토큰 부분 집합을 반복적으로 해제하면서 전체 미래 토큰 시퀀스를 생성한다. 이와 같은 공간과 시간에 걸친 공동 샘플링 방식은 자기회귀적 접근에서 발생하는 오차 누적 문제를 완화한다. 저차원의 잠재 공간은 장기적인 미래 잠재 상태 시퀀스를 모델링할 수 있게 하며, 트랜스포머가 초기 조건을 초월한 기상 역학적 동역학을 학습할 수 있도록 한다. OmniCast은 중기 예측 스케일에서 최첨단 확률적 방법들과 경쟁 가능한 성능을 보이며, 동시에 10~20배 빠른 속도를 기록한다. 또한 초계절에서 계절 스케일에서는 정확도, 물리 기반 지표, 확률적 지표 모두에서 최고 수준의 성능을 달성한다. 더불어 본 연구에서는 OmniCast이 최대 100년 후까지 안정적인 시뮬레이션 결과를 생성할 수 있음을 실험적으로 입증하였다.