Институт Ai2 выпустил OlmoEarth v1.3 — модель для обработки спутниковых наблюдений, а также заранее рассчитанные годовые эмбеддинги для всей планеты. Главная практическая особенность релиза состоит не только в весах модели: разработчики получают готовые признаки с разрешением 10 метров и могут обучать поверх них небольшие классификаторы для задач землепользования, сельского хозяйства или поиска изменений. Как следует из анонса Ai2, это должно сократить необходимость в самостоятельной обработке больших архивов спутниковых данных.
Что именно опубликовано.
OlmoEarth v1.3 сводит год наблюдений из нескольких источников в числовое описание каждой точки поверхности. Входные данные включают радарные серии Sentinel-1 и мультиспектральные наблюдения Sentinel-2 и Landsat. На выходе получается 128-мерный вектор для пикселя с разрешением 10 метров; первые 64 координаты можно использовать как более компактную версию представления. Такие векторы не являются готовой тематической картой: они содержат признаки, по которым следующая модель может отделить, например, типы посевов, лесные территории или участки с изменившимся покрытием.
Предварительный расчёт меняет обычный порядок работы с дистанционным зондированием. Вместо запуска тяжёлой foundation model над исходными снимками команда может скачать представления, разметить сравнительно небольшой набор примеров и обучить модель верхнего уровня локально. По данным описания демонстрации в La Pampa, сравнение эмбеддингов разных лет позволило выделить изменения без обучения отдельной модели под конкретный тип объекта. Однако качество итоговой карты всё равно будет зависеть от разметки, выбранного классификатора и проверки на территории, где он будет применяться.
Как следует читать результаты сравнений.
Ai2 сопоставил векторы OlmoEarth с AlphaEarth Foundations и Tessera v2 в 27 оценках, охватывающих шесть континентов и несколько прикладных задач. В опубликованном тесте 128-мерная версия заняла первое место в 20 из 27 оценок, а 64-мерная — в 18. Это сильный результат для компактных глобальных признаков, но он отражает конкретный набор бенчмарков и методику, подготовленные разработчиком. Его не следует трактовать как гарантию преимущества в любой локальной задаче или при иной схеме обучения.
Вместе с релизом представлен PLANTEUR — бенчмарк типов культур для тропического земледелия. Его роль важна для оценки переноса: модель проверяют не только там, где уже были примеры для классификатора, но и на новых для него территориях. В материалах Ai2 о валидации утверждается, что эмбеддинги v1.3 лучше других протестированных вариантов обобщались на такие локации. Для пользователей это означает, что при выборе модели стоит смотреть не только на среднюю метрику, но и на географическое распределение обучающих и тестовых данных.
Архитектура и преемственность проекта.
По данным публикации Unite.AI со ссылкой на model card, базовая OlmoEarth v1.3 построена на ViT-Base и содержит 128 млн параметров. В цепочке формирования глобальных эмбеддингов также используются Perceiver на 14,3 млн параметров и линейный student-слой примерно на 0,1 млн параметров, который проецирует 768-мерные токены в 128-мерное пространство. Такая схема объясняет, почему 64-мерный вариант может быть полезен как компромисс между объёмом хранилища, скоростью загрузки и точностью.
Техническая линия проекта возникла раньше v1.3. В научной статье OlmoEarth авторы описывают мультимодальную пространственно-временную модель с самосупервизией и маскированием входных токенов. В прежних экспериментах система лидировала в 15 из 24 задач для эмбеддингов и в 19 из 29 задач при полном дообучении. Наборы тестов в этой работе и в релизе v1.3 различаются, поэтому напрямую складывать эти результаты нельзя, но они показывают, что проект развивался одновременно как универсальная модель и как инфраструктура для прикладных задач.
Открытые признаки становятся отдельным продуктом.
Предыдущая версия подхода требовала использовать OlmoEarth Studio, работать с GPU и хранить локальные снимки. Как описывает обзор развития платформы, новый релиз сдвигает акцент с запуска модели пользователем на распространение уже вычисленного слоя признаков. К данным добавлен браузерный OlmoEarth Embeddings Explorer, а 64- и 128-мерные наборы размещены в Source Cooperative. По информации Unite.AI, доступ к Explorer не требует регистрации; условия распространения артефактов обозначены лицензией OlmoEarth Artifact License, применявшейся и к прежним версиям.
Для рынка Earth observation это пример конкуренции не только между моделями, но и между форматами доступа к их результатам. Предварительно рассчитанные признаки снижают порог для исследовательских групп, стартапов и организаций без большого GPU-парка, но не отменяют затраты на хранение, скачивание глобальных наборов и валидацию результатов. Они также не заменяют исходные данные в сценариях, где необходимы специфические временные детали или нестандартные сенсоры.
Отдельно Ai2 заявляет об уменьшении стоимости обучения: как передаёт SiliconANGLE со ссылкой на разработчиков, v1.3 потребовала 53% вычислительного времени v1.2 и 18% времени первой версии; компания также сообщила о снижении связанных с обучением выбросов. Эти показатели относятся к процессу подготовки модели, а не к совокупной стоимости всех прикладных проектов. Практический вывод для команд прост: OlmoEarth v1.3 стоит рассматривать как готовый глобальный слой признаков, который нужно проверять на собственных регионах и целевых классах, а не как универсальную замену геоаналитическому пайплайну.
