Ai2 lanserar OlmoEarth V1.3 med globala satellitinbäddningar med 10 meters upplösning

Allen Institute for AI lanserade OlmoEarth v1.3 den 22 oktober 2026. Det är en öppen modell för satellitinbäddningar, åtföljd av förberäknade årliga inbäddningar för hela planeten med 10 meters upplösning och en webbläsarbaserad utforskare för OlmoEarth-inbäddningar som inte kräver inloggning.

I lanseringen ingår basmodellen OlmoEarth v1.3, förberäknade globala inbäddningar i versioner med 128 och 64 dimensioner, utforskaren och en teknisk rapport. Allt omfattas av OlmoEarth Artifact License, som även användes för OlmoEarth v1 och v1.2. Tidigare behövde man finjustera modellen i OlmoEarth Studio för att använda OlmoEarth, vilket krävde tillgång till GPU:er och lokal lagring av bildmaterial. Inbäddningsmodeller komprimerar i stället satellitdata till färdiga egenskaper som kan återanvändas för många olika uppgifter.

Enligt modellkortet modellkort är OlmoEarth-v1_3-Base en ViT-Base-grundmodell med 128 miljoner parametrar för fjärranalys av Sentinel-1-, Sentinel-2- och Landsat-bilder eller bildtidsserier. Den omfattar även en Perceiver med 14,3 miljoner parametrar och en linjär elevmodell med 0,1 miljoner parametrar, som projicerar token med 768 dimensioner till 128 dimensioner. I modellkortet anges att den här modellen, inklusive elevmodellen, genererade OlmoEarths globalt årsbaserade inbäddningar.

Så skapar modellen inbäddningar

OlmoEarth v1.3 läser in ett års radarserier från Sentinel-1 och multispektrala tidsserier från Sentinel-2 och Landsat och skapar en vektor med 128 dimensioner för varje pixel på jorden som motsvarar 10 meter. De första 64 dimensionerna fungerar även fristående som en mindre inbäddning. En vision transformer läser satellitdata, en Attention Pooler sammanför utdatatokenen till en vektor per landyta och ett linjärt lager reducerar vektorn till 128 tal. Den tekniska rapporten beskriver en destillering av Matryoshka-typ där elevmodellen är ett enda linjärt lager som tränas gemensamt med basnätverket i samma framåtpass. Enligt rapporten innebär detta att destilleringen i princip inte medför någon extra kostnad.

Rapporten anger att det är 7,7 gånger billigare att köra vision-transformern och Attention Pooler med en kodarupplösning på 20 meter och en utmatning på 10 meter än att köra transformern med 10 meters upplösning: 308 jämfört med 2 378 GMAC per fönster. Träningen använde samma data och upplägg som OlmoEarth v1.2: observationer från Sentinel-1, Sentinel-2 och Landsat-8 med kartmål som WorldCover, WorldCereal, SRTM och OpenStreetMap. Optimeraren AdamW användes med en batchstorlek på 512 under 667 200 steg.

Benchmarkresultat och PLANTEUR-datasetet

Ai2 uppger att de utvärderat inbäddningarna från v1.3 mot AlphaEarth Foundations och Tessera v2 i 27 utvärderingar som omfattar sex kontinenter. Inbäddningarna med 128 dimensioner fick högst poäng i 20 av 27 utvärderingar, medan versionen med 64 dimensioner låg i topp i 18 av 27. I den tekniska rapporten anges att inbäddningarna med 128 dimensioner överträffade båda jämförelsemodellerna i 7 av 8 AEF-dataset; undantaget var Etiopien, där Tessera v2 överträffade OlmoEarth v1.3. På grödtypsdatasetet PASTIS presterade modellen också något bättre än Tessera v2, med 58,6 jämfört med 58,3 mIoU.

I samband med lanseringen presenterade Ai2 PLANTEUR, ett benchmark för grödtyper i tropiskt jordbruk som bygger på etiketter från franska utomeuropeiska områden: Martinique, Réunion, Franska Guyana, Guadeloupe och Mayotte. I upplägget, där en ö lämnas utanför i taget, testas prestandan på en ö när klassificerare tränas på de övriga öarna. Ai2 uppger att inbäddningarna från v1.3 generaliserar bäst till platser som klassificeraren aldrig har sett. Rapporten redovisar 24,9 mIoU för inbäddningarna med 128 dimensioner enligt detta mått, jämfört med 19,1 för Tessera v2 och 15,8 för AlphaEarth Foundations.

Ai2 beskriver också v1.3 som en stark modell för finjustering, med prestanda i nivå med v1.2 på forskningsetiketter och etiketter från samarbetspartner. Rapporten anger att v1.3 har en genomsnittlig rangordning på 4,34 för finjustering bland alla utvärderade modeller och uppgifter. Det är efter OlmoEarth v1.2 Base på 4,02 och före OlmoEarth v1 Base på 4,74.

Träningskostnad och miljöpåverkan

Ai2 beskriver OlmoEarth v1.3 som den billigaste OlmoEarth-modellen att träna. Den kräver 53 % av beräkningstiden för v1.2 och 18 % av tiden för v1, med utsläpp av växthusgaser på 50 respektive 22 %. Ai2 uppskattar att det skulle kosta ungefär $2,720 i hyrd H100-beräkningstid att återskapa förträningen av OlmoEarth v1.3 Base för den slutliga körningen.

I rapportens tabell över miljöpåverkan anges att förträningen av OlmoEarth v1.3 Base krävde 539 H100 GPU-timmar, 161 kWh och 0,07 tCO2eq. Som jämförelse krävde v1.2 Base 1 012 GPU-timmar och 0,14 tCO2eq, medan v1 Base krävde 2 989 GPU-timmar och 0,32 tCO2eq. Själva beräkningen av inbäddningarna är betydligt mer omfattande: rapporten uppskattar att ett års globala inbäddningar kräver cirka 14 000 H100-timmar, ungefär 26 gånger så mycket som förträningen.

Globalt arkiv, utforskare och licensiering

Arkivet bakom utforskaren innehåller inbäddningar med 10 meters upplösning, ungefär 150 TB per år, som täcker land och angränsande kustvatten. Vid lanseringen omfattar 2025, 2024 och 2023 hela världen, medan åren 2017–2022 täcker utvalda länder; ytterligare täckning håller på att tas fram. Rapporten uppskattar att hela datasetet för 2017–2025 är långt större än en petabyte, täcker området från 59,5 grader sydlig bredd till 83,6 grader nordlig bredd och utesluter Antarktis. Den anger också att inferens med Searchlight tog bort artefakter från rutindelningen i de publicerade inbäddningarna.

Inbäddningarna finns på Source Cooperative som ett Zarr-arkiv som kan läsas direkt från objektlagring med valfri Zarr-klient, utan att någon API-nyckel eller kakelserver behövs. Öppna provenienstabeller som publicerats i GeoParquet listar Sentinel-1-, Sentinel-2- och Landsat-scenerna bakom varje 20-kilometerstile och år. För 2025 redovisar rapporten cirka 450 000 fönster, 21 miljoner mosaikposter och 730 000 scener.

Explorer visar inbäddningarna som en karta över planeten i falska färger. Användarna kan växla mellan år, visa de underliggande Sentinel-2-bilderna, klicka på en plats för att hitta liknande platser, träna en liten klassificerare med hjälp av ett fåtal märkta punkter och exportera resultatet som en GeoTIFF, utan att behöva skapa ett konto. Ai2:s tillkännagivande illustrerar metoden med olaglig guldgruvdrift i Madre de Dios-regionen i Peru: där står det att gruvdriften kring La Pampa nådde sin kulmen 2017 och 2018 och att Perus Operation Mercurio slog ut det mesta av den i februari 2019, samt att jämförelser av inbäddningar från 2017–2020 och 2020–2025 visar den tidigare utbredningen och den fortsatta förändringen i den gamla gruvzonen. Inlägget tillägger att Peru skickade tillbaka marinpatruller till reservatet i augusti 2026, efter att åklagare konstaterat att gruvdriften hade spridit sig in i själva Tambopata.

För arbete som kräver ett specifikt tidsintervall kör OlmoEarth Studio samma modell för datum, modaliteter och upplösning som användaren själv väljer, och en handledning visar hur man genererar inbäddningar med användarens egen beräkningsinfrastruktur. I den tekniska rapporten står det att OlmoEarth Artifact License begränsar användningen för militära tillämpningar, försvarsrelaterade tillämpningar och tillämpningar inom utvinningsindustrin. I modellkortet tilläggs att modellen är avsedd att användas i enlighet med Ai2’s Responsible Use Guidelines.