Vertiefende Analyse · Etwa 6 Min. Lesezeit
Ai2 veröffentlicht jährliche OlmoEarth-v1.3-Embeddings und einen Browser-Explorer
OlmoEarth v1.3 macht Satellitenmerkmale bei 10 Metern wiederverwendbar, mit 128 oder 64 Dimensionen, lückenhafter historischer Abdeckung und einer Lizenz mit Nutzungsbeschränkungen.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
Ai2 stellte am 22. Oktober OlmoEarth v1.3 Base, vorberechnete jährliche Satelliten-Embeddings und einen Embeddings Explorer vor. Die Veröffentlichung soll den Weg von Erdbeobachtungsbildern zu nützlichen Karten vereinfachen. Abdeckung, Evaluationsergebnisse und erlaubte Nutzungen müssen jedoch getrennt betrachtet werden.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Laut Ai2 liegen die 128-dimensionalen Embeddings in 20 von 27 Evaluationen vorne, die kleinere 64-dimensionale Variante in 18; das sind Ergebnisse des Entwicklers und keine AISubHub-Tests.
- Zum Start sind globale Jahresdaten für 2023–2025 enthalten; 2017–2022 decken nur ausgewählte Länder ab. Die Vektoren beschreiben Land und angrenzende Küstengewässer, keine Echtzeitkarte sämtlicher Oberflächen.
- Die Schätzung von rund 2720 US-Dollar betrifft einen einzigen abschließenden Vortrainingslauf. Eine globale jährliche Embedding-Schicht zu erzeugen ist eine separate, deutlich größere Aufgabe; zudem beschränkt die Artefaktlizenz bestimmte Nutzungen.
Von wiederholten Modellläufen zu wiederverwendbaren Merkmalen
OlmoEarth ist ein Fernerkundungsmodell, kein großes Konversations-Sprachmodell. Ai2 kombiniert ein Base-Modell mit einem vorberechneten Archiv und einer Browser-Oberfläche. Zu den jährlichen Eingaben gehören Sentinel-1-Radardaten sowie multispektrale Aufnahmen von Sentinel-2 und Landsat. Für jedes Ausgabepixel von 10 Metern erzeugt das Modell einen Vektor mit 128 Zahlen; seine ersten 64 Dimensionen können auch als kompakte Darstellung verwendet werden.
Ein typischer Studio-Ablauf bestand bisher darin, ein Modell für eine bestimmte Aufgabe nachzutrainieren und anschließend die Satellitenbilder zu verarbeiten. Gemeinsame Embeddings verlagern einen großen Teil dieser Merkmalsextraktion nach vorne: Nutzer können einen kleineren Klassifikator auf vorhandenen Vektoren trainieren. Das kann die Einstiegskosten eines lokalen Versuchs senken. Ein Vektor braucht aber weiterhin Labels oder ein Analyseverfahren, bevor daraus eine Anbauklassifikation oder eine Bewertung von Veränderungen wird.
Wie das Modell ein Beobachtungsjahr verdichtet
Der technische Bericht trennt drei Probleme: Beobachtungen über Zeitpunkte und Sensoren hinweg zusammenzuführen, Inferenzkosten zu begrenzen und die Ausgabe kompakt zu halten. Ein Vision Transformer erzeugt Tokens; ein Attention Pooler bündelt die Beobachtungen eines Orts mithilfe erlernter Standortabfragen. Eine durch Destillation gelernte lineare Projektion reduziert 768-dimensionale Standortdarstellungen auf 128 Dimensionen. Das Training macht auch die ersten 64 Dimensionen als verschachteltes Präfix nutzbar.
Die Ausgabeauflösung ist von der Patch-Größe des Encoders entkoppelt. Die eingesetzte Konfiguration kann 20-Meter-Patches kodieren und zugleich Embeddings in 10-Meter-Abständen ausgeben. Das verringert Berechnungen, ohne feinere Quellbilder zu behaupten. Die Modellkarte nennt ein ViT-Grundnetz mit 128 Millionen Parametern, einen Perceiver mit 14,3 Millionen und eine Student-Projektion mit 0,1 Millionen. Die Parameterzahl des Grundnetzes allein ist nicht die Größe der gesamten Verarbeitungskette.
Benchmark-Aussagen im Rahmen ihrer Protokolle lesen
Laut Ai2 erzielt die 128-dimensionale Version gegenüber AlphaEarth Foundations und Tessera v2 in 20 von 27 Evaluationen den höchsten Wert; die 64-dimensionale Variante führt in 18. Die Evaluationen umfassen sechs Kontinente. Außerdem stellt die Veröffentlichung den PLANTEUR-Benchmark für tropische Nutzpflanzen vor. Der Nenner bezeichnet die Evaluationssammlung der Ankündigung und bedeutet nicht, dass 27 unterschiedliche Datensätze alle dasselbe Ergebnis geliefert hätten.
Der Bericht untersucht unterschiedliche Klassifikatoren, Aufgaben-Teilmengen und geografische Übertragbarkeit. Die Tests verwenden jährliche Embeddings und das eingesetzte Quantisierungsverfahren. Dokumentiert sind auch Fälle, in denen der zusätzliche Attention Pooler die Leistung verschlechtert, besonders bei manchen Aufgaben mit nur einem Zeitpunkt oder einer Modalität. Wir sehen darin vielversprechende wiederverwendbare Merkmale, keinen Beleg dafür, dass eine Konfiguration jede Kartierungsaufgabe gewinnt oder ohne lokale Validierung übertragbar ist.
Abdeckung und Farben beeinflussen die Interpretation
Zum Start sind die Jahresschichten für 2023, 2024 und 2025 innerhalb der veröffentlichten Abdeckung global verfügbar. Für 2017–2022 liegen sie nur für ausgewählte Länder vor; die Erweiterung läuft noch. Das Archiv konzentriert sich auf Land und angrenzende Küstengewässer und schließt die Antarktis aus. Ai2 beziffert ein vollständiges globales Referenzjahr bei 10 Metern Auflösung auf ungefähr 150 TB. Der Bericht erläutert auch, wie Herkunftsnachweise die Ausgabefenster mit den verwendeten Szenen und öffentlichen Bildkatalogen verbinden.
Ai2 zufolge ermöglicht der Explorer den Jahreswechsel, den Blick auf zugrunde liegende Sentinel-2-Bilder, die Suche nach ähnlichen Orten, kleine Klassifikatoren aus beschrifteten Punkten und GeoTIFF-Exporte ohne Konto- oder GPU-Einrichtung. Diese Funktionen wurden hier nicht unabhängig getestet. Die Falschfarbendarstellung zeigt einen Teil der Embedding-Unterschiede, keine bereits bestätigte Sachkarte. Ein großer Unterschied zwischen Jahren signalisiert eine veränderte Darstellung; er identifiziert für sich allein weder Bergbau noch nachwachsende Vegetation oder die Ursache der Veränderung. Jährliche Zusammenfassung liefert auch keine Echtzeitwarnungen.
Ein kleiner Trainingspreis ist nicht die planetare Gesamtrechnung
Die Ankündigung schätzt den abschließenden Vortrainingslauf von v1.3 Base auf einem gemieteten Knoten mit acht H100 auf rund 2720 US-Dollar. Die Abbildung rechnet mit 539 GPU-Stunden und einem Cloud-Knotentarif aus Iowa vom Oktober 2026. Experimente, Datenvorbereitung, Speicherung und Entwicklungsarbeit sind nicht enthalten. Laut Ai2 beträgt die Trainingszeit 53% derjenigen von v1.2 und 18% derjenigen von v1; die geschätzten Emissionen liegen bei 50% beziehungsweise 22%. Das sind verbleibende Anteile der früheren Gesamtmengen und nicht die jeweiligen prozentualen Verringerungen.
Der Bericht ordnet eine separate Kostenposition ein: Eine globale jährliche Embedding-Schicht zu erzeugen benötigt ungefähr 14 000 H100-Stunden, geschätzt rund das 26-Fache des abschließenden Vortrainingslaufs. Die tatsächliche Inferenz verwendet H100- und A100-Hardware. Nach AISubHubs Analyse verteilt Vorberechnung erhebliche Kosten auf nachgelagerte Nutzer; sie lässt diese nicht verschwinden. Die zitierte Trainingsschätzung ist weder ein aktuelles Cloud-Angebot noch ein vollständiges Budget, um das globale Archiv zu reproduzieren, zu speichern und bereitzustellen.
Öffentlicher Zugang hat weiterhin Lizenz- und Prüfgrenzen
Für das Modell und die zugehörigen Artefakte gilt die OlmoEarth Artifact License. Sie gewährt bestimmte Nutzungs-, Änderungs-, Verbreitungs- und Ableitungsrechte unter Bedingungen, darunter Quellenangabe und Erhalt der Beschränkungen bei nachgelagerter Weitergabe. Verbotene Zwecke umfassen Militär- und Verteidigungsanwendungen, nachrichtendienstliche Informationsbeschaffung, Überwachung von Menschen und Polizeitätigkeiten sowie Aktivitäten, die die Gewinnung von Öl, Gas oder Mineralien planen oder erleichtern, einschließlich Bergbau und Entwaldung. Das darf nicht als uneingeschränkte Nutzung dargestellt oder durch eine MIT- oder Apache-Lizenz ersetzt werden.
Die Vereinbarung gewährt auch nicht automatisch sämtliche Rechte Dritter an Datensatzinhalten und stellt die Artefakte ohne Gewähr für Genauigkeit oder Eignung bereit. Ein Team sollte bei der Bewertung die Modelllizenz, die Rechte am Eingabematerial, die geografische und jährliche Abdeckung sowie die für seine Entscheidung erforderliche Genauigkeit auseinanderhalten. Die Veröffentlichung liefert Bausteine für diese Prüfung. Ankündigung und Demonstration sind aber kein unabhängiger Beweis dafür, dass eine bestimmte exportierte Karte korrekt ist.
Warum es wichtig ist
AISubHubs Analyse: Teure Merkmalsextraktion in ein gemeinsames Archiv zu verlagern kann kleinen Teams ermöglichen, Kartierungsfragen mit weniger lokaler Rechenleistung zu prüfen. Sinnvoll ist der Vergleich des gesamten Ablaufs aus Abdeckung, Beschriftung, Datentransfer und Validierung, nicht allein der Vortrainingsrechnung.
Grenzen und Verfügbarkeit
AISubHub hat Ankündigung, Modellkarte, Artefaktlizenz und technischen Bericht gelesen sowie die Abbildungen und die kurze eingebettete Demonstration der Ankündigung geprüft. Wir haben das Modell und den Datensatz nicht heruntergeladen und weder den Explorer bedient noch Benchmarks reproduziert, Exporte getestet oder Karten mit Bodenreferenzdaten abgeglichen. Verlinkte externe Fallberichte und Anleitungen wurden nicht unabhängig gelesen.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
Weiterführende Quellen
Quelle geprüft:
Quelle geprüft:
Quelle geprüft:
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.