物理基础模型正成为构建时空系统通用仿真器的热门方法。这类模型需要一个标记化层，将物理场数据提升为适合动态处理的潜在表示。常用的做法是卷积编码器（CNN），它能够在局部感知的方式下高效提取网格信息并快速训练。\ 然而，当数据存储在非结构化网格上（如具有曲线边界的域）时，CNN 无法直接使用，此时通常需要图神经网络（GNN），但 GNN 训练成本更高，且其信息编码方式与 CNN 不同，导致物理仿真器在结构化与非结构化数据之间的迁移受限。\ 本文提出 Mesh‑Native Convolution（MNC），一种局部感知的标记化层，能够以类似 CNN 的方式对非结构化网格数据进行编码。MNC 通过在网格的邻接关系上执行卷积操作，实现了对不规则网格的统一表示，使得模型只需在一次网格上训练，即可在任意形状的非结构化网格上部署，几乎无需重新训练。\ 我们给出理论证明，MNC 在细分极限下等价于传统 CNN 编码器，从而保证了方法的一致性。实验表明，使用 MNC 对已在规则网格上预训练的基础模型进行改装，可在零样本（zero‑shot）条件下获得可接受的精度，并在仅少量微调 epoch 后显著超越现有基线方法。该方案为结构化与非结构化数据之间搭建了一座高效的桥梁。\ \ 点评：MNC 通过保持局部卷积特性，成功解决了非结构化网格数据的标记化难题，为物理模型的跨域迁移提供了实用路径。