天气模型给出一批可能的降雨量，不等于“下雨概率”就可信。扩散模型和集成预测常常只吐出样本，没有显式似然——也就是无法直接计算每种结果有多可能。Wang 等人提出 CPIT：不重训模型，而是用留出的数据给整条预测分布做事后校准。
方法先修正样本整体偏高、偏低或波动过大的问题，再计算随机化 PIT。PIT 是把真实结果放进预测的累积分布，看它落在 0 到 1 的什么位置；可靠的预测长期应让这些位置近似均匀。CPIT 据此重新分配生成样本的权重，得到一条加权的经验分布。这样不只可报一个固定置信区间，还能计算任意分位数、超过阈值的概率和尾部损失，并重新抽取校准后的样本。
作者在可交换性假设下证明了有限样本的概率校准，并在模拟与 WeatherBench-2 降水预测中报告改善。边界也很明确：保证主要是总体层面的，不等于每一种具体天气条件下都同样准确。