传统的系统辨识通常分两步：先利用训练数据估计系统模型，再用该模型对新输入进行预测。近期的上下文学习方法直接学习一个元模型，将训练数据和查询输入映射到输出，实现零样本预测，省去显式模型估计的步骤。该元模型在离线阶段通过大量合成数据进行训练，模拟系统辨识算法的行为。\ \ 本文在元学习框架上做了三方面的拓展。第一，构建统一的概率元辨识结构，采用基于 Transformer 的编码‑解码器，并加入专门的长序列处理机制，使得在长时间预测时仍能得到校准的概率输出。第二，展示预训练的元模型可以作为不确定性感知的合成数据生成器，为传统系统辨识提供任务特定的数据，在真实数据稀缺时对参数模型起到正则化作用。第三，系统地在标准非线性系统辨识基准以及一个具有显著分布偏移的挑战场景上进行评估，结果表明该方法在精度上与最先进技术持平，并具备强鲁棒的泛化能力，甚至在仅使用输入进行适配时也能应对大幅度的分布变化。\ \ 点评：该工作将大模型的上下文学习能力成功迁移到控制领域，为数据不足的系统辨识提供了新的思路，尤其是其概率预测和合成数据生成的双重优势值得进一步探索。