Coarse（粗粒度）是机器学习与科学计算中描述“以较低分辨率或较粗精度近似复杂系统”的常用术语，常见于粗粒度建模、粗网格仿真、粗排序等场景，是平衡计算效率与精度的重要思路。近期的多篇研究显示，coarse 思路正从传统数值方法渗透到强化学习、神经架构搜索和代理模型等多个前沿方向。
Coarse 方法近期进展
当前焦点与观察点
从这三项工作可以看出，coarse 相关研究呈现两个共同趋势：一是把粗粒度信息当作先验或中间表示，而非单纯的下采样——例如粗排序用于缩小搜索空间、粗动力学用于约束子目标；二是普遍配合不确定性估计或残差修正机制，以补偿粗粒化带来的信息损失。争议点在于粗与精的边界如何自动确定：目前多数方法仍依赖手工设计的两阶段流程或固定阈值，粗粒度表示何时会不可逆地丢掉关键信号，尚缺乏统一的理论判据。后续值得观察的方向包括粗粒度抽象与大模型推理加速的结合，以及粗网格代理模型在工程仿真中的落地效果。