Ai2 lanserer OlmoEarth V1.3 med globale satellittbaserte embedding-vektorer på 10 m

Allen Institute for AI lanserte OlmoEarth v1.3 22. oktober 2026. Dette er en åpen modell for satellittbaserte embedding-vektorer, med forhåndsberegnede årlige embedding-vektorer for hele planeten med 10 meters oppløsning og en nettleserbasert utforsker for OlmoEarth-embedding-vektorer som ikke krever innlogging.

Lanseringen omfatter OlmoEarth v1.3 Base-modellen, forhåndsberegnede globale embedding-vektorer i 128- og 64-dimensjonale versjoner, utforskeren og en teknisk rapport. Alt er utgitt under OlmoEarth Artifact License, som også ble brukt for OlmoEarth v1 og v1.2. Tidligere måtte man finjustere modeller i OlmoEarth Studio for å bruke OlmoEarth, noe som krevde tilgang til GPU-er og lokal lagring av bilder. Modeller for embedding-vektorer komprimerer i stedet satellittdata til funksjoner som er klare til bruk og kan gjenbrukes på tvers av mange oppgaver.

Ifølge modellkortet er OlmoEarth-v1_3-Base en grunnmodell for fjernmåling med ViT-Base-arkitektur og 128 millioner parametere, som kan brukes på Sentinel-1-, Sentinel-2- og Landsat-bilder eller tidsserier av bilder. Den omfatter også en Perceiver med 14,3 millioner parametere og en lineær studentmodell med 0,1 millioner parametere, som projiserer 768-dimensjonale tokener til 128 dimensjoner. Modellkortet oppgir at denne modellen, inkludert studentmodellen, genererte OlmoEarths globale årsbaserte embedding-vektorer.

Slik produserer modellen embedding-vektorer

OlmoEarth v1.3 leser inn ett års tidsserier med Sentinel-1-radar og multispektrale Sentinel-2- og Landsat-data, og produserer én 128-dimensjonal vektor for hver 10-meterspiksel på jorda. De første 64 dimensjonene fungerer også alene som en mindre embedding-vektor. En visjonstransformator leser satellittdataene, en Attention Pooler samler utdata-tokenene til én vektor per landområde, og et lineært lag reduserer denne vektoren til 128 tall. Den tekniske rapporten beskriver en destillasjonsmetode av Matryoshka-typen, der studentmodellen er ett enkelt lineært lag som trenes sammen med ryggradsnettverket i samme foroverpassering. Ifølge rapporten gjør dette destillasjonen tilnærmet kostnadsfri.

Rapporten oppgir at det er 7,7 ganger billigere å kjøre visjonstransformatoren og Attention Pooler med en koderoppløsning på 20 meter og en utdataoppløsning på 10 meter enn å kjøre transformatoren med 10 meters oppløsning: 308 mot 2 378 GMAC per vindu. Treningen brukte de samme dataene og oppskriften som OlmoEarth v1.2 – Sentinel-1-, Sentinel-2- og Landsat-8-observasjoner med kartbaserte mål som WorldCover, WorldCereal, SRTM og OpenStreetMap – med AdamW-optimalisereren, en batchstørrelse på 512 og 667 200 trinn.

Referanseresultater og PLANTEUR-datasettet

Ai2 oppgir at de evaluerte v1.3-embedding-vektorene mot AlphaEarth Foundations og Tessera v2 i 27 evalueringer som dekket seks kontinenter. De 128-dimensjonale embedding-vektorene fikk høyest poengsum i 20 av 27 evalueringer, og 64-dimensjonsversjonen lå best an i 18 av 27. Den tekniske rapporten oppgir at de 128-dimensjonale embedding-vektorene slo begge referansemodellene på 7 av 8 AEF-datasett (unntaket var Etiopia, der Tessera v2 slo OlmoEarth v1.3) og slo Tessera v2 så vidt på PASTIS-datasettet for avlingstyper, med 58,6 mot 58,3 mIoU.

Sammen med lanseringen introduserte Ai2 PLANTEUR, en referanse for avlingstyper i tropisk landbruk, bygget på etiketter fra de franske oversjøiske områdene: Martinique, Réunion, Fransk Guyana, Guadeloupe og Mayotte. Oppsettet der én øy holdes utenfor, tester ytelsen på én øy når klassifikatorene trenes på de andre. Ai2 sier at v1.3-embedding-vektorene generaliserer best til steder klassifikatoren aldri har sett. Rapporten oppgir en mIoU på 24,9 for de 128-dimensjonale embedding-vektorene i denne evalueringen, mot 19,1 for Tessera v2 og 15,8 for AlphaEarth Foundations.

Ai2 beskriver også v1.3 som en sterk modell for finjustering, med ytelse på nivå med v1.2 på tvers av forskningsetiketter og etiketter fra samarbeidspartnere. Rapporten oppgir at v1.3 fikk en gjennomsnittlig finjusteringsrangering på 4,34 på tvers av alle evaluerte modeller og oppgaver, bak OlmoEarth v1.2 Base på 4,02 og foran OlmoEarth v1 Base på 4,74.

Treningskostnader og miljøpåvirkning

Ai2 beskriver OlmoEarth v1.3 som den rimeligste OlmoEarth-modellen å trene. Den krevde 53 % av beregningstiden til v1.2 og 18 % av tiden til v1, med henholdsvis 50 % og 22 % av karbonutslippene. Ai2 anslår at det ville koste rundt 2 720 dollar i leid H100-kjøretid for den siste kjøringen å gjenskape forhåndstreningen av OlmoEarth v1.3 Base.

Tabellen over miljøpåvirkning i rapporten oppgir at forhåndstreningen av OlmoEarth v1.3 Base brukte 539 H100-GPU-timer, 161 kWh og 0,07 tCO2eq, sammenlignet med 1 012 GPU-timer og 0,14 tCO2eq for v1.2 Base og 2 989 GPU-timer og 0,32 tCO2eq for v1 Base. Selve beregningen av embedding-vektorene krever langt mer: Rapporten anslår at ett år med globale embedding-vektorer tar omtrent 14 000 H100-timer, rundt 26 ganger så mye som forhåndstreningen.

Globalt arkiv, utforsker og lisensiering

Arkivet som ligger til grunn for utforskeren, inneholder embedding-vektorer med 10 meters oppløsning, rundt 150 TB per år, og dekker landområder og tilstøtende kystfarvann. Ved lanseringen var 2025, 2024 og 2023 dekket globalt, mens dataene for 2017 til og med 2022 dekket utvalgte land; arbeidet med å utvide dekningen pågikk. Rapporten anslår at det samlede datasettet for 2017–2025 er på godt over én petabyte, dekker området fra 59,5 grader sør til 83,6 grader nord og utelater Antarktis. Den oppgir også at inferens med Searchlight fjernet artefakter fra flisinndeling i de publiserte embedding-vektorene.

Embeddingene ligger på Source Cooperative som et Zarr-lager, som kan leses direkte fra objektlagring med en hvilken som helst Zarr-klient, uten behov for API-nøkkel eller kartserver. Åpne provenienstabeller publisert som GeoParquet viser Sentinel-1-, Sentinel-2- og Landsat-scenene bak hver rute på 20 kilometer for hvert år. For 2025 oppgir rapporten rundt 450 000 vinduer, 21 millioner mosaikkoppføringer og 730 000 scener.

Explorer viser embeddingene som et kart over planeten i falske farger. Brukerne kan bytte mellom år, hente fram de underliggende Sentinel-2-bildene, klikke på et sted for å finne lignende steder, trene en liten klassifikator med et knippe merkede punkter og eksportere resultatet som en GeoTIFF-fil – uten at det kreves en konto. Ai2s kunngjøring illustrerer metoden med ulovlig gullutvinning i Madre de Dios-regionen i Peru: Innlegget oppgir at utvinningen rundt La Pampa nådde en topp i 2017 og 2018, og at Perus operasjon Mercurio stanset det meste av den i februar 2019. Det opplyser også at sammenligninger av embeddingene fra 2017–2020 og 2020–2025 viser den tidligere spredningen og den fortsatte utviklingen i det tidligere gruveområdet. Innlegget legger til at Peru sendte marinepatruljer tilbake til reservatet i august 2026, etter at påtalemyndigheten fant at gruvedriften hadde trengt inn i selve Tambopata.

For arbeid som krever et bestemt tidsrom, kjører OlmoEarth Studio den samme modellen med datoer, modaliteter og oppløsning som brukeren velger. En veiledning viser hvordan man kan generere embeddingene med brukerens egen datakraft. I den tekniske rapporten står det at OlmoEarth Artifact License begrenser bruk til militære formål, forsvarsrelaterte formål og anvendelser innen utvinningsindustrien. Modellkortet legger til at modellen er ment å brukes i samsvar med Ai2s Responsible Use Guidelines.