Ai2 lancerer OlmoEarth V1.3 med globale satellitindlejringer på 10 m

Allen Institute for AI lancerede OlmoEarth v1.3 den 22. oktober 2026. Modellen er en åben model til satellitindlejringer og ledsages af forudberegnede årlige indlejringer for hele planeten med en opløsning på 10 meter samt den browserbaserede OlmoEarth Embeddings Explorer, som ikke kræver login.

Udgivelsen omfatter basismodellen OlmoEarth v1.3 Base, forudberegnede globale indlejringer i versioner med 128 og 64 dimensioner, Explorer og en teknisk rapport. Alt udgives under OlmoEarth Artifact License, der også blev brugt til OlmoEarth v1 og v1.2. Tidligere krævede brugen af OlmoEarth finjustering i OlmoEarth Studio, hvilket forudsatte adgang til GPU’er og lokal lagring af billeddata. Indlejringsmodeller komprimerer i stedet satellitdata til funktioner, der er klar til brug og kan genbruges til mange forskellige opgaver.

Ifølge modellens modelbeskrivelse er OlmoEarth-v1_3-Base en ViT-Base-grundmodel med 128 millioner parametre til fjernmåling af Sentinel-1-, Sentinel-2- og Landsat-billeder eller billedtidsserier. Den omfatter også en Perceiver med 14,3 millioner parametre og en lineær elevmodel med 0,1 millioner parametre, der projicerer tokens med 768 dimensioner til 128 dimensioner. Det fremgår af modelbeskrivelsen, at denne model, inklusive elevmodellen, genererede OlmoEarths globale årsvise indlejringer.

Sådan genererer modellen indlejringer

OlmoEarth v1.3 behandler et års tidsserier af Sentinel-1-radardata samt multispektrale data fra Sentinel-2 og Landsat og genererer én vektor med 128 dimensioner for hver pixel på 10 meter på Jorden. De første 64 dimensioner kan også bruges alene som en mindre indlejring. En vision transformer behandler satellitdataene, en Attention Pooler samler outputtokens til én vektor for hvert landområde, og et lineært lag reducerer vektoren til 128 tal. Den tekniske rapport beskriver en destillation efter Matryoshka-princippet, hvor elevmodellen består af ét lineært lag, der trænes sammen med backbone-modellen i samme fremadrettede gennemløb. Ifølge rapporten gør det destillationen stort set omkostningsfri.

Rapporten oplyser, at det er 7,7 gange billigere at køre vision transformeren og Attention Pooler med en encoderopløsning på 20 meter og et output på 10 meter end at køre transformeren med en opløsning på 10 meter: 308 mod 2.378 GMAC’er pr. vindue. Træningen brugte de samme data og den samme opskrift som OlmoEarth v1.2 — observationer fra Sentinel-1, Sentinel-2 og Landsat-8 med kortbaserede mål såsom WorldCover, WorldCereal, SRTM og OpenStreetMap — og optimeringsalgoritmen AdamW med en batchstørrelse på 512 gennem 667.200 trin.

Benchmarkresultater og PLANTEUR-datasættet

Ai2 oplyser, at de har evalueret v1.3-indlejringerne i forhold til AlphaEarth Foundations og Tessera v2 i 27 evalueringer fordelt på seks kontinenter. Indlejringerne med 128 dimensioner opnåede den højeste score i 20 af de 27 evalueringer, mens versionen med 64 dimensioner førte i 18 af de 27. Den tekniske rapport fastslår, at indlejringerne med 128 dimensioner klarede sig bedre end begge referencemodeller på 7 af 8 AEF-datasæt (undtagelsen var Etiopien, hvor Tessera v2 klarede sig bedre end OlmoEarth v1.3) og en smule bedre end Tessera v2 på PASTIS-datasættet til afgrødetypeklassificering med 58,6 mod 58,3 mIoU.

Sammen med udgivelsen introducerede Ai2 PLANTEUR, et benchmark for afgrødetypeklassificering i tropisk landbrug, baseret på mærkninger fra de franske oversøiske områder: Martinique, Réunion, Fransk Guyana, Guadeloupe og Mayotte. I benchmarkets opsætning med én ø holdt uden for træningen testes ydeevnen på én ø, mens klassifikatorerne trænes på de øvrige øer. Ai2 oplyser, at v1.3-indlejringerne generaliserer bedst til steder, som en klassifikator aldrig har set før. Rapporten angiver en mIoU på 24,9 for indlejringerne med 128 dimensioner i denne måling med én ø holdt uden for træningen, mod 19,1 for Tessera v2 og 15,8 for AlphaEarth Foundations.

Ai2 beskriver også v1.3 som en stærk model til finjustering, der matcher v1.2’s resultater på tværs af forsknings- og partnerbaserede mærkninger. Rapporten giver v1.3 en gennemsnitlig placering på 4,34 for finjustering på tværs af alle evaluerede modeller og opgaver. Det er efter OlmoEarth v1.2 Base på 4,02 og foran OlmoEarth v1 Base på 4,74.

Træningsomkostninger og miljøpåvirkning

Ai2 beskriver OlmoEarth v1.3 som den billigste OlmoEarth-model at træne. Den kræver 53 % af den beregningstid, der kræves til v1.2, og 18 % af den, der kræves til v1, med henholdsvis 50 % og 22 % af CO2-udledningen. Ai2 anslår, at det ville koste cirka 2.720 USD i lejet H100-tid til den afsluttende kørsel at gentage fortræningen af OlmoEarth v1.3 Base.

Tabellen over miljøpåvirkning i rapporten angiver, at fortræningen af OlmoEarth v1.3 Base krævede 539 H100-GPU-timer, 161 kWh og 0,07 tCO2eq. Til sammenligning krævede v1.2 Base 1.012 GPU-timer og 0,14 tCO2eq, mens v1 Base krævede 2.989 GPU-timer og 0,32 tCO2eq. Selve beregningen af indlejringerne er langt mere omfattende: Rapporten anslår, at ét års globale indlejringer kræver cirka 14.000 H100-timer, omtrent 26 gange så meget som fortræningen.

Globalt arkiv, Explorer og licensering

Arkivet bag Explorer rummer indlejringer med en opløsning på 10 meter, svarende til cirka 150 TB om året, og dækker land samt tilstødende kystfarvande. Ved lanceringen dækker dataene for 2025, 2024 og 2023 hele verden, mens dataene fra 2017 til og med 2022 dækker udvalgte lande; yderligere dækning er under udarbejdelse. Rapporten anslår, at det samlede datasæt fra 2017 til 2025 er langt større end en petabyte, dækker fra 59,5 grader sydlig bredde til 83,6 grader nordlig bredde og ikke omfatter Antarktis. Den oplyser desuden, at inferens med Searchlight fjernede artefakter fra fliseinddelingen i de offentliggjorte indlejringer.

Indlejringerne ligger på Source Cooperative som et Zarr-lager, der kan læses direkte fra objektlageret med enhver Zarr-klient, uden at der kræves en API-nøgle eller en fliseserver. Åbne provenienstabeller, der er udgivet som GeoParquet, opregner Sentinel-1-, Sentinel-2- og Landsat-scenerne bag hver 20-kilometerflise og hvert år; for 2025 registrerer rapporten omkring 450.000 vinduer, 21 millioner mosaikposter og 730.000 scener.

Explorer viser indlejringerne som et falskfarvekort over planeten. Brugerne kan skifte mellem år, hente de underliggende Sentinel-2-billeder frem, klikke på et sted for at finde lignende steder, træne en lille klassifikator ud fra en håndfuld mærkede punkter og eksportere resultatet som en GeoTIFF-fil, uden at der kræves en konto. Ai2’s meddelelse illustrerer metoden med ulovlig guldminedrift i Madre de Dios-regionen i Peru: Ifølge indlægget toppede minedriften omkring La Pampa i 2017 og 2018, og Perus Operation Mercurio fik lukket det meste af den i februar 2019. Sammenligninger af indlejringer fra 2017–2020 og 2020–2025 viser den tidligere udbredelse og de fortsatte ændringer i den tidligere minezone. Indlægget tilføjer, at Peru sendte flådepatruljer tilbage til reservatet i august 2026, efter at anklagere havde konstateret, at minedriften var trængt ind i selve Tambopata.

Til arbejde, der kræver et bestemt tidsinterval, kører OlmoEarth Studio den samme model for datoer, modaliteter og opløsning, som brugeren selv vælger, og en vejledning viser, hvordan man genererer indlejringer på sin egen computer. Den tekniske rapport fastslår, at OlmoEarth Artifact License begrænser brug til militære formål, forsvarsrelaterede formål og anvendelser i udvindingsindustrien; modelkortet tilføjer, at modellen er beregnet til brug i overensstemmelse med Ai2’s Responsible Use Guidelines.