高动态、非刚体流体的时空序列预测（如极端天气短临预报）是当前 AI for Science 面临的核心挑战之一。现有的主流深度学习架构主要基于欧拉固定网格，不仅难以捕捉流体拓扑结构的空间突变（如生成与溃散），且极易在回归目标下产生“均值模糊”，或在全局扩散模型下带来不可接受的算力开销。为突破上述架构瓶颈，本研究提出了一套结合多模态表征与对象级生成的全新时空预测框架。在前端表征提取上，提出了多模态注意力引导网络，利用双流编码器有机融合异构的热动力学状态变量，有效提取流体突变的潜藏前兆信号。在核心预测范式上，我们彻底摒弃了全图像素外推，构建了基于拉格朗日视角的对象级追踪与诊断坐标系。该架构将复杂的流体演变解耦为离散的时空实体，通过联合优化空间概率场与时序生命周期辅助头，提取高价值的物理状态向量。进一步，我们利用该状态向量作为强先验条件，通过特征调制机制驱动局部条件生成对抗，在动态边界框内实现极值纹理的确定性重建。

非刚性流体，时空预测，短临预报