Análisis en profundidad · Unos 8 min de lectura
Ai2 publica las representaciones anuales de OlmoEarth v1.3 y un explorador web
OlmoEarth v1.3 permite reutilizar características de satélite a 10 metros, con opciones de 128 y 64 dimensiones, cobertura histórica desigual y una licencia con restricciones de uso.
- Publicado aquí
- Fecha de la fuente
- Fuente revisada
El anuncio de Ai2 del 22 de octubre presenta OlmoEarth v1.3 Base, representaciones vectoriales anuales de satélite precalculadas y un Embeddings Explorer. La publicación busca reducir el trabajo necesario para convertir imágenes de observación terrestre en mapas útiles, pero su cobertura, sus evaluaciones y los usos permitidos requieren atención por separado.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- Ai2 informa de que sus representaciones de 128 dimensiones encabezan 20 de 27 evaluaciones y la opción más pequeña, de 64 dimensiones, encabeza 18; son resultados del desarrollador, no pruebas de AISubHub.
- El lanzamiento incluye cobertura anual global de 2023 a 2025; de 2017 a 2022 solo están cubiertos determinados países. Los vectores describen tierra y aguas costeras adyacentes, no un mapa en tiempo real de todas las superficies.
- La estimación de unos 2720 USD corresponde a una única ejecución final de preentrenamiento. Generar una capa anual global de representaciones es otra carga mucho mayor, y la licencia de los artefactos restringe usos concretos.
De ejecutar modelos repetidamente a reutilizar características
OlmoEarth es un modelo de teledetección, no un gran modelo de lenguaje conversacional. La publicación de Ai2 combina un modelo Base, un archivo precalculado y una interfaz de navegador. Sus entradas anuales incluyen radar Sentinel-1 e imágenes multiespectrales Sentinel-2 y Landsat. Por cada píxel de salida de 10 metros, el modelo produce un vector de 128 números; sus primeras 64 dimensiones también pueden utilizarse como representación compacta.
Antes, un flujo habitual en Studio consistía en ajustar un modelo para una tarea concreta y después procesar las imágenes de satélite. Las representaciones compartidas adelantan buena parte de esa extracción de características: el usuario puede entrenar un clasificador más pequeño sobre vectores existentes. Eso puede reducir el coste inicial de un experimento local, pero un vector todavía necesita etiquetas o un método de análisis antes de convertirse en una clasificación de cultivos o una evaluación de cambios.
Cómo comprime el modelo un año de observaciones
El informe técnico separa tres problemas: combinar observaciones de distintos momentos y sensores, controlar el coste de inferencia y mantener una salida compacta. Un transformador visual produce tokens y un Attention Pooler utiliza consultas de ubicación aprendidas para agregar las observaciones de cada lugar. Una proyección lineal obtenida mediante destilación reduce las representaciones de ubicación de 768 a 128 dimensiones. El entrenamiento también permite usar las primeras 64 dimensiones como un prefijo anidado útil.
La resolución de salida se desacopla del tamaño de los parches del codificador. La configuración de despliegue puede codificar parches de 20 metros y producir representaciones cada 10 metros, reduciendo el cálculo sin afirmar que las imágenes de origen tengan mayor detalle. La ficha del modelo enumera un componente ViT de 128 millones de parámetros, un Perceiver de 14,3 millones y una proyección estudiante de 0,1 millones; el número del componente principal no equivale al tamaño de toda la cadena.
Leer las evaluaciones dentro de sus protocolos
El anuncio de Ai2 informa de que la versión de 128 dimensiones obtiene la puntuación más alta en 20 de 27 evaluaciones frente a AlphaEarth Foundations y Tessera v2, mientras la versión de 64 dimensiones lidera 18. Las evaluaciones abarcan seis continentes y la publicación también presenta PLANTEUR, un conjunto de referencia para cultivos tropicales. El denominador corresponde al conjunto de evaluaciones del anuncio; no significa que 27 conjuntos de datos distintos hayan dado todos el mismo resultado.
El informe examina distintas elecciones de clasificador, subconjuntos de tareas y generalización geográfica. Sus pruebas usan representaciones anuales y el esquema de cuantización desplegado. También documenta casos en los que añadir el Attention Pooler perjudica el rendimiento, sobre todo algunas tareas con un único instante o una sola modalidad. Nuestra lectura es que se trata de características reutilizables prometedoras, no de pruebas de que una configuración gane en cualquier tarea cartográfica o se transfiera sin validación local.
La cobertura y los colores forman parte de la interpretación
En el lanzamiento, las capas anuales de 2023, 2024 y 2025 son globales dentro de la cobertura publicada; de 2017 a 2022 solo están disponibles para países seleccionados, y la ampliación continúa. El archivo se centra en tierra y aguas costeras adyacentes y excluye la Antártida. Ai2 sitúa un año global de referencia completo en unos 150 TB a 10 metros de resolución. El informe también explica cómo los registros de procedencia vinculan las ventanas de salida con las escenas utilizadas y los catálogos públicos de imágenes.
Ai2 afirma que el explorador permite cambiar de año, consultar las imágenes Sentinel-2 subyacentes, buscar lugares similares, entrenar pequeños clasificadores con puntos etiquetados y exportar GeoTIFF sin configurar cuenta ni GPU. No probamos esas funciones de forma independiente. La visualización en falso color muestra parte de la variación de los vectores, no un mapa factual ya validado. Una diferencia grande entre años indica que cambió la representación; por sí sola no identifica minería, regeneración vegetal ni la causa del cambio. La agregación anual tampoco proporciona alertas en tiempo real.
Una pequeña estimación de entrenamiento no es la factura planetaria
El anuncio estima unos 2720 USD para la ejecución final de preentrenamiento de v1.3 Base en un nodo alquilado con ocho H100. El cálculo usa 539 horas de GPU y una tarifa de nodo en la nube de Iowa de octubre de 2026; excluye experimentos, preparación de datos, almacenamiento e ingeniería. Ai2 informa de un tiempo de entrenamiento equivalente al 53% del de v1.2 y al 18% del de v1, con emisiones estimadas del 50% y del 22%, respectivamente. Son fracciones restantes de los totales anteriores, no los correspondientes porcentajes de reducción.
El informe pone en perspectiva otro coste: generar una capa anual global de representaciones necesita aproximadamente 14 000 horas H100, una estimación cercana a 26 veces la ejecución final de preentrenamiento. La inferencia real combina equipos H100 y A100. El análisis de AISubHub es que el precálculo reparte un coste importante entre usuarios posteriores; no lo elimina. La estimación citada del entrenamiento no es una oferta actual de nube ni un presupuesto completo para reproducir, almacenar y servir el archivo planetario.
El acceso público conserva límites de licencia y validación
El modelo y los artefactos asociados utilizan la OlmoEarth Artifact License. Esta concede derechos especificados de uso, modificación, distribución y creación de derivados bajo condiciones, entre ellas atribuir la fuente y mantener las restricciones en las distribuciones posteriores. Los fines prohibidos incluyen aplicaciones militares y de defensa, recopilación de inteligencia, vigilancia de personas y actividades policiales, además de actividades que planifiquen o faciliten la extracción de petróleo, gas o minerales, incluidas minería y deforestación. No debe describirse como uso sin restricciones ni sustituirse por una licencia MIT o Apache.
El acuerdo tampoco concede automáticamente todos los derechos de terceros sobre el contenido de los conjuntos de datos y proporciona los artefactos sin garantías de exactitud o idoneidad. Para evaluar su adopción, un equipo debe separar la licencia del modelo, los derechos de sus materiales de entrada, la cobertura geográfica y anual y la precisión que exige su decisión. La publicación aporta componentes para esa evaluación; el anuncio y su demostración no prueban de forma independiente que un mapa exportado concreto sea correcto.
Por qué importa
Análisis de AISubHub: trasladar la extracción costosa de características a un archivo compartido puede permitir que equipos pequeños prueben cuestiones cartográficas con menos recursos informáticos locales. La comparación útil abarca todo el flujo —cobertura, etiquetado, movimiento de datos y validación—, no solo la factura de entrenamiento.
Límites y disponibilidad
AISubHub leyó el anuncio, la ficha del modelo, la licencia de los artefactos y el informe técnico, e inspeccionó las figuras y la breve demostración incrustada del anuncio. No descargamos el modelo ni el conjunto de datos, no utilizamos el explorador, no reprodujimos evaluaciones ni probamos exportaciones o mapas frente a datos de referencia del terreno. Los informes de casos externos y tutoriales enlazados no se leyeron de forma independiente.
Fuentes y pruebas
Fecha de la fuente: · Fuente revisada:
Lecturas complementarias
Fuente revisada:
Fuente revisada:
Fuente revisada:
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.