Ai2, 10 m Çözünürlüklü Küresel Uydu Gömme Vektörleriyle OlmoEarth V1.3’ü Yayımladı

Allen Yapay Zekâ Enstitüsü, 22 Ekim 2026’da OlmoEarth v1.3’ü yayımladı. Açık bir uydu gömme modeli olan bu sürüme, gezegenin tamamı için 10 metre çözünürlükte önceden hesaplanmış yıllık gömme vektörleri ve oturum açmayı gerektirmeyen, tarayıcı tabanlı OlmoEarth Embeddings Explorer eşlik ediyor.

Yayımlananlar arasında OlmoEarth v1.3 Base modeli, 128 ve 64 boyutlu sürümleri bulunan önceden hesaplanmış küresel gömme vektörleri, Explorer ve OlmoEarth v1 ile v1.2’de kullanılan OlmoEarth Artifact License kapsamında yayımlanan bir teknik rapor yer alıyor. Daha önce OlmoEarth kullanmak, GPU erişimi ve görüntülerin yerel depolanmasını gerektiren OlmoEarth Studio’da ince ayar yapmayı gerektiriyordu; gömme modelleri ise uydu verilerini, birçok farklı görevde yeniden kullanılabilen ve kullanıma hazır özelliklere dönüştürüyor.

Model kartına göre OlmoEarth-v1_3-Base, Sentinel-1, Sentinel-2 ve Landsat görüntüleri ya da görüntü zaman serileri üzerinde uzaktan algılama için geliştirilmiş, 128 milyon parametreli bir ViT-Base temel modelidir. Model ayrıca 14,3 milyon parametreli bir Perceiver ve 768 boyutlu belirteçleri 128 boyuta yansıtan, 0,1 milyon parametreli doğrusal bir öğrenci model içeriyor. Kartta, bu modelin öğrenci bileşeniyle birlikte OlmoEarth’ün yıllık küresel gömme vektörlerini oluşturduğu belirtiliyor.

Model Gömme Vektörlerini Nasıl Üretiyor?

OlmoEarth v1.3, bir yıllık Sentinel-1 radar verileri ile Sentinel-2 ve Landsat çok bantlı zaman serilerini işliyor ve Dünya’daki her 10 metrelik piksel için 128 boyutlu bir vektör üretiyor; ilk 64 boyut, daha küçük bir gömme vektörü olarak tek başına da kullanılabiliyor. Bir görsel dönüştürücü uydu verilerini işler, bir Dikkat Havuzlayıcısı çıktı belirteçlerini bir araya getirerek her kara parçası için tek bir vektör oluşturur ve doğrusal bir katman bu vektörü 128 sayıya indirger. Teknik raporda, öğrenci modelin omurgayla aynı ileri geçişte ortaklaşa eğitilen tek bir doğrusal katmandan oluştuğu Matruşka tarzı bir damıtma yöntemi açıklanıyor. Rapora göre bu yöntem, damıtma işleminin neredeyse hiçbir ek maliyet getirmemesini sağlıyor.

Raporda, görsel dönüştürücü ile Dikkat Havuzlayıcısı’nı 20 metre kodlayıcı çözünürlüğünde ve 10 metre çıktı çözünürlüğünde çalıştırmanın, dönüştürücüyü 10 metre çözünürlüğünde çalıştırmaya kıyasla 7,7 kat daha düşük maliyetli olduğu belirtiliyor: pencere başına 308’e karşı 2.378 GMAC. Eğitimde OlmoEarth v1.2 ile aynı veriler ve yöntem kullanıldı: Sentinel-1, Sentinel-2 ve Landsat-8 gözlemleri ile WorldCover, WorldCereal, SRTM ve OpenStreetMap gibi harita hedefleri. Model, AdamW iyileştiricisiyle 512’lik yığın boyutunda 667.200 adım boyunca eğitildi.

Karşılaştırma Sonuçları ve PLANTEUR Veri Kümesi

Ai2, v1.3 gömme vektörlerini altı kıtada gerçekleştirilen 27 değerlendirmede AlphaEarth Foundations ve Tessera v2 ile karşılaştırdığını bildiriyor. 128 boyutlu gömme vektörleri 27 değerlendirmenin 20’sinde, 64 boyutlu sürüm ise 18’inde en yüksek puanı aldı. Teknik rapora göre 128 boyutlu gömme vektörleri, sekiz AEF veri kümesinin yedisinde her iki temel modelden daha iyi performans gösterdi. Bunun tek istisnası, Tessera v2’nin OlmoEarth v1.3’ü geride bıraktığı Etiyopya’ydı. Ayrıca PASTIS ürün türü veri kümesinde Tessera v2’yi az farkla geride bırakarak 58,6’ya karşı 58,3 mIoU elde etti.

Ai2, sürümle birlikte, Fransız denizaşırı toprakları Martinik, Réunion, Fransız Guyanası, Guadeloupe ve Mayotte’den alınan etiketlerle oluşturulmuş, tropikal tarımda ürün türlerini sınıflandırmaya yönelik PLANTEUR karşılaştırma veri kümesini tanıttı. Bir adayı dışarıda bırakma düzeni, sınıflandırıcılar diğer adalarda eğitilirken seçilen bir adadaki performansı ölçüyor. Ai2’ye göre v1.3 gömme vektelleri, sınıflandırıcının daha önce hiç görmediği yerlere en iyi genellemeyi sağlıyor. Raporda, bu ölçütte 128 boyutlu gömme vektelleri için 24,9 mIoU kaydediliyor; Tessera v2 19,1, AlphaEarth Foundations ise 15,8 puan alıyor.

Ai2 ayrıca v1.3’ü, araştırma ve iş ortaklarına ait etiketlerde v1.2’nin performansına ulaşan güçlü bir ince ayar modeli olarak tanımlıyor. Raporda, değerlendirilen tüm modeller ve görevler genelinde v1.3’ün ortalama ince ayar sıralaması 4,34 olarak veriliyor; bu değer, 4,02 puanla OlmoEarth v1.2 Base’in gerisinde, 4,74 puanla OlmoEarth v1 Base’in ise önünde.

Eğitim Maliyeti ve Çevresel Etki

Ai2, OlmoEarth v1.3’ü eğitilmesi en ucuz OlmoEarth modeli olarak tanımlıyor. Modelin eğitimi v1.2’nin hesaplama süresinin %53’ünü, v1’inkinin ise %18’ini gerektirirken karbon emisyonları sırasıyla %50 ve %22 düzeyinde kalıyor. Ai2, OlmoEarth v1.3 Base’in ön eğitimini yeniden gerçekleştirmenin son çalıştırma için kiralanan H100 süresi üzerinden yaklaşık 2.720 dolara mal olacağını tahmin ediyor.

Raporun çevresel etki tablosunda OlmoEarth v1.3 Base’in ön eğitimi için 539 H100 GPU saati, 161 kWh ve 0,07 tCO2eq; v1.2 Base için 1.012 GPU saati ve 0,14 tCO2eq; v1 Base içinse 2.989 GPU saati ve 0,32 tCO2eq veriliyor. Gömme vektörlerinin hesaplanması ise çok daha fazla kaynak gerektiriyor: Rapora göre küresel ölçekte bir yıllık gömme vektörünü üretmek yaklaşık 14.000 H100 saati alıyor; bu, ön eğitim maliyetinin yaklaşık 26 katı.

Küresel Arşiv, Explorer ve Lisanslama

Explorer’ın temelindeki arşiv, 10 metre çözünürlükte gömme vektörlerini barındırıyor; kara alanlarını ve bunlara bitişik kıyı sularını kapsayan arşivin boyutu yılda yaklaşık 150 TB. Lansman sırasında 2025, 2024 ve 2023 yıllarının verileri küresel kapsamdayken 2017-2022 yılları seçili ülkeleri kapsıyor; kapsamın genişletilmesine yönelik çalışmalar sürüyor. Rapora göre 2017-2025 döneminin tamamını içeren veri kümesi bir petabayttan çok daha büyük; Antarktika’yı kapsamıyor ve 59,5 derece güney enleminden 83,6 derece kuzey enlemine kadar uzanıyor. Raporda ayrıca yayımlanan gömme vektörlerindeki döşemeleme kaynaklı kusurların Searchlight çıkarımıyla giderildiği belirtiliyor.

Gömme vektörleri Source Cooperative’de, herhangi bir Zarr istemcisiyle nesne depolama alanından doğrudan okunabilen bir Zarr deposunda barındırılıyor; API anahtarı ya da karo sunucusu gerekmiyor. GeoParquet biçiminde yayımlanan açık kaynak tabloları, her 20 kilometrelik karo ve yıl için kullanılan Sentinel-1, Sentinel-2 ve Landsat görüntülerini listeliyor. Raporda 2025 yılı için yaklaşık 450.000 pencere, 21 milyon mozaik girdisi ve 730.000 görüntü kaydediliyor.

Explorer, gömme vektörlerini gezegenin sahte renkli bir haritası olarak görüntülüyor. Kullanıcılar yıllar arasında geçiş yapabiliyor, temel Sentinel-2 görüntülerini açabiliyor, benzer yerleri bulmak için haritada bir konuma tıklayabiliyor, etiketlenmiş birkaç noktadan küçük bir sınıflandırıcı eğitebiliyor ve sonucu GeoTIFF olarak dışa aktarabiliyor; üstelik hesap açmaları gerekmiyor. Ai2’nin duyurusu, yaklaşımı Peru’nun Madre de Dios bölgesindeki yasa dışı altın madenciliği örneğiyle açıklıyor: Gönderide, La Pampa çevresindeki madenciliğin 2017 ve 2018’de zirveye ulaştığı ve Peru’nun Operation Mercurio operasyonuyla bu faaliyetin büyük bölümünü Şubat 2019’da durdurduğu belirtiliyor. Ayrıca 2017–2020 ve 2020–2025 dönemlerine ait gömme vektörlerinin karşılaştırılmasının, madenciliğin önceki yayılımını ve eski maden bölgesindeki değişimin sürdüğünü gösterdiği ifade ediliyor. Gönderide ayrıca savcıların madenciliğin Tambopata’nın içine kadar yayıldığını tespit etmesinin ardından Peru’nun Ağustos 2026’da koruma alanına yeniden deniz devriyeleri gönderdiği belirtiliyor.

Belirli bir zaman aralığında çalışma gerektiren durumlarda OlmoEarth Studio, aynı modeli kullanıcıların seçtiği tarihler, veri türleri ve çözünürlüklerde çalıştırıyor; bir eğitim materyali de kullanıcının kendi işlem kaynaklarında gömme vektörlerinin nasıl oluşturulacağını gösteriyor. Teknik rapora göre OlmoEarth Artifact License, modelin askerî, savunmayla ilgili ve madencilik ile doğal kaynak çıkarma sektörlerindeki uygulamalarda kullanımını kısıtlıyor. Model kartında ise modelin Ai2’nin Sorumlu Kullanım İlkeleri’ne uygun biçimde kullanılması amacıyla tasarlandığı belirtiliyor.