Analyse approfondie · Environ 8 min de lecture
Ai2 publie les représentations annuelles d’OlmoEarth v1.3 et un explorateur web
OlmoEarth v1.3 rend réutilisables des caractéristiques satellitaires à 10 mètres, en 128 ou 64 dimensions, avec une couverture historique inégale et une licence à usages restreints.
- Publié ici
- Date de la source
- Source vérifiée
L’annonce d’Ai2 du 22 octobre présente OlmoEarth v1.3 Base, des représentations vectorielles satellitaires annuelles précalculées et un Embeddings Explorer. Cette publication vise à réduire le travail nécessaire pour transformer des images d’observation terrestre en cartes utiles, mais couverture, résultats d’évaluation et usages autorisés demandent un examen distinct.
Écouter les actualités
Écoutez cet article ou poursuivez la lecture des actualités.
Préparation de la lecture…
Voix de l’appareil
La voix est traitée par votre navigateur ou appareil. AISubHub n’envoie pas le texte à une API audio. Les voix et la lecture écran verrouillé dépendent de l’appareil.
La reprise peut répéter une courte phrase.
En bref
- Ai2 indique que ses représentations en 128 dimensions arrivent en tête dans 20 évaluations sur 27, contre 18 pour l’option compacte en 64 dimensions ; ce sont les résultats du développeur, pas des tests d’AISubHub.
- Le lancement comprend une couverture annuelle mondiale pour 2023–2025 ; seuls certains pays sont couverts pour 2017–2022. Les vecteurs décrivent les terres et les eaux côtières adjacentes, pas toutes les surfaces en temps réel.
- L’estimation d’environ 2720 dollars US couvre une seule exécution finale de préentraînement. Produire une couche vectorielle annuelle mondiale représente une charge distincte bien plus importante, et la licence des artefacts restreint certains usages.
Passer des exécutions répétées aux caractéristiques réutilisables
OlmoEarth est un modèle de télédétection, pas un grand modèle de langage conversationnel. La publication d’Ai2 associe un modèle Base, une archive précalculée et une interface dans le navigateur. Ses entrées annuelles comprennent le radar Sentinel-1 ainsi que les images multispectrales Sentinel-2 et Landsat. Pour chaque pixel de sortie de 10 mètres, le modèle produit un vecteur de 128 nombres ; ses 64 premières dimensions peuvent également servir de représentation compacte.
Auparavant, un parcours courant dans Studio consistait à ajuster un modèle pour une tâche donnée, puis à traiter les images satellitaires. Les représentations partagées déplacent une grande partie de cette extraction de caractéristiques en amont : un utilisateur peut entraîner un classificateur plus petit sur les vecteurs existants. Cela peut réduire le coût d’entrée d’une expérience locale, mais un vecteur a encore besoin d’étiquettes ou d’une méthode d’analyse avant de devenir une classification de cultures ou une évaluation des changements.
Comment le modèle compresse une année d’observations
Le rapport technique distingue trois problèmes : réunir des observations de plusieurs dates et capteurs, maîtriser le coût d’inférence et conserver une sortie compacte. Un transformeur visuel produit des jetons, puis un Attention Pooler utilise des requêtes de localisation apprises pour agréger les observations de chaque lieu. Une projection linéaire apprise par distillation réduit les représentations de localisation de 768 à 128 dimensions. L’entraînement permet aussi d’utiliser les 64 premières dimensions comme un préfixe imbriqué pertinent.
La résolution de sortie est découplée de la taille des blocs de l’encodeur. La configuration déployée peut encoder des blocs de 20 mètres tout en produisant des représentations espacées de 10 mètres, réduisant les calculs sans prétendre à une finesse supérieure des images sources. La fiche du modèle distingue un réseau principal ViT de 128 millions de paramètres, un Perceiver de 14,3 millions et une projection étudiante de 0,1 million ; le seul nombre du réseau principal ne représente pas toute la chaîne.
Lire les résultats dans le cadre de leurs protocoles
L’annonce d’Ai2 indique que la version en 128 dimensions obtient le meilleur score dans 20 évaluations sur 27 face à AlphaEarth Foundations et Tessera v2, tandis que la version en 64 dimensions en domine 18. Les évaluations couvrent six continents, et la publication introduit aussi PLANTEUR, un banc d’essai sur les cultures tropicales. Le dénominateur désigne l’ensemble d’évaluations de l’annonce ; il ne signifie pas que 27 jeux de données distincts auraient tous produit le même résultat.
Le rapport étudie différents classificateurs, sous-ensembles de tâches et possibilités de généralisation géographique. Les tests utilisent des représentations annuelles et le schéma de quantification déployé. Il documente également des cas où l’ajout de l’Attention Pooler réduit les performances, notamment certaines tâches ne comportant qu’un seul instant ou une seule modalité. Nous y voyons des caractéristiques réutilisables prometteuses, pas la preuve qu’une configuration gagne toutes les tâches cartographiques ou se transpose sans validation locale.
La couverture et les couleurs font partie de l’interprétation
Au lancement, les couches annuelles de 2023, 2024 et 2025 sont mondiales dans les limites de la couverture publiée ; celles de 2017–2022 ne concernent que certains pays, et leur extension se poursuit. L’archive se concentre sur les terres et les eaux côtières adjacentes et exclut l’Antarctique. Ai2 décrit une année mondiale de référence complète comme environ 150 To à 10 mètres de résolution. Le rapport explique aussi comment les enregistrements de provenance relient les fenêtres de sortie aux scènes contributrices et aux catalogues publics d’images.
Ai2 affirme que l’explorateur permet de changer d’année, de consulter les images Sentinel-2 sous-jacentes, de rechercher des lieux similaires, d’entraîner de petits classificateurs à partir de points étiquetés et d’exporter des GeoTIFF sans configurer de compte ni de GPU. Ces fonctions n’ont pas été testées indépendamment ici. L’affichage en fausses couleurs représente une partie de la variation des vecteurs, pas une carte factuelle déjà validée. Un écart important entre deux années signale une représentation modifiée ; il ne permet pas, à lui seul, d’identifier une exploitation minière, une reprise végétale ou la cause du changement. L’agrégation annuelle ne fournit pas non plus d’alertes en temps réel.
Un faible coût d’entraînement n’est pas la facture planétaire
L’annonce estime à environ 2720 dollars US l’exécution finale de préentraînement de v1.3 Base sur un nœud loué de huit H100. Le calcul utilise 539 heures-GPU et un tarif de nœud cloud dans l’Iowa en octobre 2026 ; il exclut les expériences, la préparation des données, le stockage et l’ingénierie. Ai2 indique un temps d’entraînement égal à 53% de celui de v1.2 et à 18% de celui de v1, avec des émissions estimées à 50% et 22%, respectivement. Il s’agit de fractions restantes des totaux précédents, pas des pourcentages de réduction correspondants.
Le rapport met un coût distinct en perspective : générer une couche vectorielle annuelle mondiale nécessite environ 14 000 heures H100, soit, selon l’estimation, près de 26 fois l’exécution finale de préentraînement. L’inférence réelle combine des H100 et des A100. Selon l’analyse d’AISubHub, le précalcul partage un coût substantiel entre les utilisateurs en aval ; il ne le supprime pas. L’estimation d’entraînement citée n’est ni une offre cloud actuelle ni un budget complet pour reproduire, stocker et servir l’archive planétaire.
L’accès public garde des limites de licence et de validation
Le modèle et les artefacts associés relèvent de l’OlmoEarth Artifact License. Elle accorde certains droits d’utilisation, de modification, de distribution et de création de dérivés sous conditions, notamment l’attribution et le maintien des restrictions dans les distributions ultérieures. Les finalités interdites comprennent les applications militaires et de défense, la collecte de renseignements, la surveillance de personnes et les activités de police, ainsi que les activités visant à planifier ou faciliter l’extraction de pétrole, de gaz ou de minerais, dont l’exploitation minière et la déforestation. Il ne faut pas la présenter comme un usage sans restriction ni lui substituer une licence MIT ou Apache.
L’accord n’accorde pas non plus automatiquement tous les droits de tiers sur les contenus des jeux de données et fournit les artefacts sans garantie d’exactitude ou d’adéquation à un usage. Pour évaluer l’adoption, une équipe doit distinguer la licence du modèle, les droits sur les données d’entrée, la couverture géographique et annuelle et la précision requise pour sa décision. Cette publication fournit des briques pour cette évaluation ; l’annonce et sa démonstration ne prouvent pas indépendamment qu’une carte exportée donnée soit correcte.
Pourquoi cela compte
Analyse d’AISubHub : déplacer l’extraction coûteuse de caractéristiques vers une archive partagée peut permettre à de petites équipes de tester des questions cartographiques avec moins de ressources informatiques locales. La comparaison utile porte sur le parcours entier — couverture, étiquetage, transfert des données et validation —, pas sur la seule facture d’entraînement.
Limites et disponibilité
AISubHub a lu l’annonce, la fiche du modèle, la licence des artefacts et le rapport technique, et examiné les figures ainsi que la courte démonstration intégrée à l’annonce. Nous n’avons téléchargé ni le modèle ni le jeu de données ; nous n’avons pas utilisé l’explorateur, reproduit les évaluations, testé les exports ou vérifié les cartes par rapport à la vérité terrain. Les études de cas externes et les tutoriels liés n’ont pas été lus indépendamment.
Sources et preuves
Date de la source: · Source vérifiée:
Pour approfondir
Source vérifiée:
Source vérifiée:
Source vérifiée:
Articles assistés par IA, vérifiés avec les sources primaires citées. Les affirmations des fournisseurs sont attribuées ; la présence ne vaut pas recommandation.