Análise aprofundada · Cerca de 8 min de leitura
Ai2 lança representações anuais do OlmoEarth v1.3 e um explorador no navegador
O OlmoEarth v1.3 torna reutilizáveis características de satélite a 10 metros, com opções de 128 e 64 dimensões, cobertura histórica desigual e uma licença com restrições de uso.
- Publicado aqui
- Data da fonte
- Fonte verificada
O anúncio da Ai2 de 22 de outubro apresenta o OlmoEarth v1.3 Base, representações vetoriais anuais de satélite pré-calculadas e o Embeddings Explorer. O lançamento busca reduzir o trabalho necessário para transformar imagens de observação da Terra em mapas úteis, mas cobertura, resultados de avaliação e usos permitidos exigem atenção separada.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- A Ai2 informa que suas representações de 128 dimensões lideram 20 de 27 avaliações e a opção menor, de 64 dimensões, lidera 18; são resultados do desenvolvedor, não testes do AISubHub.
- O lançamento inclui cobertura anual global de 2023 a 2025; de 2017 a 2022, apenas países selecionados estão cobertos. Os vetores descrevem terras e águas costeiras adjacentes, não um mapa em tempo real de todas as superfícies.
- A estimativa de cerca de US$2720 cobre uma única execução final de pré-treinamento. Gerar uma camada anual global de representações é outra carga, muito maior, e a licença dos artefatos restringe usos específicos.
De execuções repetidas de modelos à reutilização de características
O OlmoEarth é um modelo de sensoriamento remoto, não um grande modelo de linguagem conversacional. O lançamento da Ai2 combina um modelo Base, um arquivo pré-calculado e uma interface de navegador. Suas entradas anuais incluem radar Sentinel-1 e imagens multiespectrais Sentinel-2 e Landsat. Para cada pixel de saída de 10 metros, o modelo produz um vetor com 128 números; as primeiras 64 dimensões também podem ser usadas como uma representação compacta.
Antes, um fluxo típico no Studio envolvia ajustar um modelo para uma tarefa específica e depois processar imagens de satélite. As representações compartilhadas antecipam boa parte dessa extração de características: o usuário pode treinar um classificador menor sobre vetores existentes. Isso pode reduzir o custo de entrada de um experimento local, mas um vetor ainda precisa de rótulos ou de um método de análise antes de se tornar uma classificação de culturas ou uma avaliação de mudanças.
Como o modelo comprime um ano de observações
O relatório técnico separa três problemas: combinar observações ao longo do tempo e entre sensores, controlar o custo de inferência e manter a saída compacta. Um transformador visual produz tokens, e um Attention Pooler usa consultas de localização aprendidas para agregar as observações de cada lugar. Uma projeção linear obtida por destilação reduz representações de localização de 768 para 128 dimensões. O treinamento também permite que as primeiras 64 dimensões funcionem como um prefixo aninhado útil.
A resolução da saída é desacoplada do tamanho dos blocos do codificador. A configuração de implantação pode codificar blocos de 20 metros e produzir representações a cada 10 metros, reduzindo a computação sem alegar maior detalhe nas imagens de origem. A ficha do modelo lista uma rede principal ViT de 128 milhões de parâmetros, um Perceiver de 14,3 milhões e uma projeção estudante de 0,1 milhão; a contagem da rede principal não equivale ao tamanho de toda a cadeia.
Ler as alegações de desempenho dentro de seus protocolos
O anúncio da Ai2 informa que a versão de 128 dimensões tem a maior pontuação em 20 de 27 avaliações contra AlphaEarth Foundations e Tessera v2, enquanto a versão de 64 dimensões lidera 18. As avaliações abrangem seis continentes, e o lançamento também apresenta o PLANTEUR, referência para culturas tropicais. O denominador é o conjunto de avaliações do anúncio, não uma afirmação de que 27 conjuntos de dados diferentes produziram todos o mesmo resultado.
O relatório examina diferentes escolhas de classificador, subconjuntos de tarefas e generalização geográfica. Os testes usam representações anuais e o esquema de quantização implantado. Também documenta casos em que adicionar o Attention Pooler prejudica o desempenho, sobretudo algumas tarefas com um único instante ou uma só modalidade. Nossa leitura é que são características reutilizáveis promissoras, não evidência de que uma configuração vença toda tarefa de mapeamento ou dispense validação local ao ser transferida.
Cobertura e cores fazem parte da interpretação
No lançamento, as camadas anuais de 2023, 2024 e 2025 são globais dentro da cobertura publicada; as de 2017 a 2022 estão disponíveis apenas para países selecionados, e a expansão continua. O arquivo se concentra em terras e águas costeiras adjacentes e exclui a Antártida. A Ai2 descreve um ano global de referência completo como aproximadamente 150 TB a 10 metros de resolução. O trabalho também explica como registros de proveniência ligam as janelas de saída às cenas utilizadas e aos catálogos públicos de imagens.
A Ai2 afirma que o explorador permite alternar anos, consultar as imagens Sentinel-2 subjacentes, buscar lugares semelhantes, treinar pequenos classificadores com pontos rotulados e exportar GeoTIFF sem configurar conta ou GPU. Essas funções não foram testadas de forma independente aqui. A exibição em cores falsas visualiza parte da variação dos vetores, não um mapa factual já validado. Uma grande diferença entre anos indica mudança de representação; sozinha, ela não identifica mineração, recuperação vegetal ou a causa da alteração. A agregação anual também não fornece alertas em tempo real.
Uma pequena estimativa de treinamento não é a conta planetária
O anúncio estima cerca de US$2720 para a execução final de pré-treinamento do v1.3 Base em um nó alugado com oito H100. O cálculo usa 539 horas de GPU e uma tarifa de nó em nuvem de Iowa de outubro de 2026; exclui experimentos, preparação de dados, armazenamento e engenharia. A Ai2 informa tempo de treinamento equivalente a 53% do v1.2 e 18% do v1, com emissões estimadas de 50% e 22%, respectivamente. São frações restantes dos totais anteriores, não os respectivos percentuais de redução.
O relatório dimensiona um custo separado: gerar uma camada anual global de representações leva aproximadamente 14 000 horas H100, estimativa próxima de 26 vezes a execução final de pré-treinamento. A inferência real mistura equipamentos H100 e A100. A análise do AISubHub é que o pré-cálculo compartilha um custo significativo entre usuários posteriores; não o elimina. A estimativa de treinamento citada não é uma oferta atual de nuvem nem um orçamento completo para reproduzir, armazenar e servir o arquivo planetário.
O acesso público mantém limites de licença e validação
O modelo e os artefatos associados usam a OlmoEarth Artifact License. Ela concede direitos especificados de uso, modificação, distribuição e criação de derivados sob condições, incluindo atribuição e preservação das restrições na distribuição posterior. As finalidades proibidas incluem aplicações militares e de defesa, coleta de inteligência, vigilância de pessoas e atividades de policiamento, além de atividades que planejem ou facilitem a extração de petróleo, gás ou minerais, incluindo mineração e desmatamento. Não deve ser descrita como uso irrestrito nem substituída por uma licença MIT ou Apache.
O acordo também não concede automaticamente todos os direitos de terceiros sobre o conteúdo dos conjuntos de dados e fornece os artefatos sem garantias de exatidão ou adequação. Uma equipe que avalia a adoção deve separar a licença do modelo, os direitos dos materiais de entrada, a cobertura geográfica e anual e a precisão exigida para sua decisão. O lançamento fornece componentes para essa avaliação; o anúncio e sua demonstração não são prova independente de que determinado mapa exportado esteja correto.
Por que importa
Análise do AISubHub: mover a extração cara de características para um arquivo compartilhado pode permitir que pequenas equipes testem questões de mapeamento com menos recursos computacionais locais. A comparação útil considera todo o fluxo — cobertura, rotulagem, movimentação de dados e validação —, não apenas a conta do treinamento.
Limites e disponibilidade
O AISubHub leu o anúncio, a ficha do modelo, a licença dos artefatos e o relatório técnico, além de inspecionar as figuras e a breve demonstração incorporada ao anúncio. Não baixamos o modelo nem o conjunto de dados, não operamos o explorador, não reproduzimos avaliações nem testamos exportações ou mapas contra dados de referência de campo. Relatos de casos externos e tutoriais vinculados não foram lidos de forma independente.
Fontes e evidências
Data da fonte: · Fonte verificada:
Leituras complementares
Fonte verificada:
Fonte verificada:
Fonte verificada:
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.