Ai2 lança OlmoEarth V1.3 com embeddings globais de satélite de 10 m

O Allen Institute for AI lançou o OlmoEarth v1.3 em 22 de outubro de 2026. O modelo aberto de embeddings de satélite vem acompanhado de embeddings anuais pré-computados para todo o planeta, com resolução de 10 metros, e do OlmoEarth Embeddings Explorer, uma ferramenta baseada em navegador que dispensa login.

O lançamento inclui o modelo OlmoEarth v1.3 Base, embeddings globais pré-computados nas versões de 128 e 64 dimensões, o Explorer e um relatório técnico, todos sob a OlmoEarth Artifact License, usada no OlmoEarth v1 e v1.2. Antes, usar o OlmoEarth significava ajustar o modelo no OlmoEarth Studio, o que exigia acesso a GPUs e armazenamento local de imagens; já os modelos de embeddings comprimem dados de satélite em características prontas para uso, que podem ser reutilizadas em muitas tarefas.

De acordo com seu cartão do modelo, o OlmoEarth-v1_3-Base é um modelo fundamental ViT-Base, com 128 milhões de parâmetros, para sensoriamento remoto com imagens ou séries temporais de imagens do Sentinel-1, Sentinel-2 e Landsat. Ele também inclui um Perceiver com 14,3 milhões de parâmetros e um aluno linear com 0,1 milhão de parâmetros, que projeta tokens de 768 dimensões em 128 dimensões; o cartão informa que esse modelo, incluindo o aluno, gerou os embeddings anualizados globais do OlmoEarth.

Como o modelo gera embeddings

O OlmoEarth v1.3 processa um ano de séries temporais multiespectrais do radar Sentinel-1 e dos satélites Sentinel-2 e Landsat e gera um vetor de 128 dimensões para cada pixel de 10 metros da Terra; as primeiras 64 dimensões também podem ser usadas isoladamente como um embedding menor. Um transformador de visão processa os dados de satélite, um Attention Pooler agrega os tokens de saída em um vetor por trecho de terreno, e uma camada linear reduz esse vetor a 128 números. O relatório técnico descreve uma destilação no estilo Matryoshka, cujo aluno é uma única camada linear treinada em conjunto com a rede principal na mesma passagem direta; segundo o relatório, isso torna a destilação praticamente gratuita.

O relatório afirma que executar o transformador de visão e o Attention Pooler com resolução de codificação de 20 metros e saída de 10 metros custa 7,7 vezes menos do que executar o transformador com resolução de 10 metros: 308 contra 2.378 GMACs por janela. O treinamento usou os mesmos dados e a mesma receita do OlmoEarth v1.2 — observações do Sentinel-1, Sentinel-2 e Landsat-8, com alvos cartográficos como WorldCover, WorldCereal, SRTM e OpenStreetMap —, usando o otimizador AdamW, com tamanho de lote de 512, por 667.200 etapas.

Resultados de benchmarks e o conjunto de dados PLANTEUR

A Ai2 informa que avaliou os embeddings v1.3 em comparação com AlphaEarth Foundations e Tessera v2 em 27 avaliações que abrangem seis continentes; os embeddings de 128 dimensões obtiveram a maior pontuação em 20 das 27 avaliações, e a versão de 64 dimensões liderou em 18 das 27. O relatório técnico afirma que os embeddings de 128 dimensões superaram os dois modelos de referência em 7 dos 8 conjuntos de dados AEF (a exceção foi a Etiópia, onde o Tessera v2 superou o OlmoEarth v1.3) e superaram ligeiramente o Tessera v2 no conjunto de dados de tipos de cultivo PASTIS, com 58,6 contra 58,3 mIoU.

Com o lançamento, a Ai2 apresentou o PLANTEUR, um benchmark de tipos de cultivo para a agricultura tropical, desenvolvido com rótulos dos territórios ultramarinos franceses: Martinica, Reunião, Guiana Francesa, Guadalupe e Mayotte. Sua configuração de validação deixando uma ilha de fora testa o desempenho em uma ilha quando os classificadores são treinados nas demais, e, segundo a Ai2, os embeddings v1.3 são os que melhor generalizam para lugares que um classificador nunca viu. O relatório registra 24,9 mIoU para os embeddings de 128 dimensões nessa métrica de validação, contra 19,1 para o Tessera v2 e 15,8 para o AlphaEarth Foundations.

A Ai2 também descreve o v1.3 como um modelo robusto para ajuste fino, com desempenho equivalente ao do v1.2 em rótulos de pesquisa e de parceiros; o relatório atribui ao v1.3 uma classificação média de 4,34 em ajuste fino entre todos os modelos e tarefas avaliados, atrás do OlmoEarth v1.2 Base, com 4,02, e à frente do OlmoEarth v1 Base, com 4,74.

Custo de treinamento e impacto ambiental

A Ai2 descreve o OlmoEarth v1.3 como o modelo OlmoEarth mais barato de treinar: ele exige 53% do tempo de computação do v1.2 e 18% do v1, além de emitir, respectivamente, 50% e 22% do carbono. A Ai2 estima que reproduzir o pré-treinamento do OlmoEarth v1.3 Base custaria cerca de US$ 2.720 em tempo de uso alugado de H100 para a execução final.

A tabela de impacto ambiental do relatório registra, para o pré-treinamento do OlmoEarth v1.3 Base, 539 horas de GPU H100, 161 kWh e 0,07 tCO2eq, em comparação com 1.012 horas de GPU e 0,14 tCO2eq para o v1.2 Base e 2.989 horas de GPU e 0,32 tCO2eq para o v1 Base. A geração dos próprios embeddings exige muito mais recursos: o relatório estima que um ano de embeddings globais consuma aproximadamente 14.000 horas de H100, cerca de 26 vezes o custo do pré-treinamento.

Arquivo global, Explorer e licenciamento

O arquivo que alimenta o Explorer contém embeddings com resolução de 10 metros, cerca de 150 TB por ano, cobrindo áreas terrestres e águas costeiras adjacentes. No lançamento, os anos de 2025, 2024 e 2023 têm cobertura global, enquanto os anos de 2017 a 2022 abrangem países selecionados, e a cobertura está sendo ampliada. O relatório estima que o conjunto de dados completo de 2017 a 2025 ultrapasse em muito um petabyte, com cobertura entre 59,5 graus ao sul e 83,6 graus ao norte, excluindo a Antártida, e informa que a inferência Searchlight removeu artefatos de mosaico dos embeddings lançados.

Os embeddings estão hospedados no Source Cooperative como um arquivo Zarr, que pode ser lido diretamente do armazenamento de objetos com qualquer cliente Zarr, sem necessidade de chave de API ou servidor de blocos. Tabelas abertas de proveniência, disponibilizadas em GeoParquet, listam as cenas Sentinel-1, Sentinel-2 e Landsat usadas em cada bloco de 20 quilômetros e ano; para 2025, o relatório registra cerca de 450.000 janelas, 21 milhões de entradas de mosaico e 730.000 cenas.

O Explorer exibe os embeddings em um mapa do planeta com cores falsas. Os usuários podem alternar entre anos, abrir as imagens Sentinel-2 subjacentes, clicar em um local para encontrar lugares semelhantes, treinar um pequeno classificador com um punhado de pontos rotulados e exportar o resultado como GeoTIFF, sem precisar criar uma conta. O anúncio da Ai2 ilustra a abordagem com o garimpo ilegal de ouro na região de Madre de Dios, no Peru: a publicação afirma que o garimpo nos arredores de La Pampa atingiu o pico em 2017 e 2018 e que a Operação Mercurio, do Peru, interrompeu a maior parte da atividade em fevereiro de 2019; afirma também que as comparações de embeddings entre 2017–2020 e 2020–2025 mostram a expansão anterior e as mudanças contínuas na antiga zona de garimpo. A publicação acrescenta que o Peru enviou patrulhas navais de volta à reserva em agosto de 2026, depois que promotores constataram que o garimpo havia avançado para o próprio Tambopata.

Para trabalhos que exigem uma janela temporal específica, o OlmoEarth Studio executa o mesmo modelo com datas, modalidades e resolução escolhidas pelo usuário, e um tutorial mostra como gerar embeddings no próprio ambiente computacional do usuário. O relatório técnico afirma que a OlmoEarth Artifact License restringe o uso em aplicações militares, relacionadas à defesa e às indústrias extrativas; o cartão do modelo acrescenta que ele se destina a ser usado de acordo com as Diretrizes de Uso Responsável da Ai2.