IBM 与 NASA 开源月球基础模型及 SomBench 数据集

IBM 与 NASA 于 2026 年 9 月 10 日宣布开源发布 NASA-IBM 月球基础模型，这是一种用于月球遥感的多模态、多分辨率基础模型，同时发布了用于训练该模型的共配准月球数据集 SomBench。

在来自纽约约克镇高地的公告中，IBM 将该系统描述为首批面向科学探索月球的公开可用基础模型之一，模型基于 IBM 与 NASA 研究人员策划的大规模月球观测数据集进行训练。模型权重已在Hugging Face上以 Apache-2.0 许可证发布，微调代码维护在 NASA-IMPACT 的 GitHub 仓库中，下游适配通过 TerraTorch 完成。模型卡将此发布定位为月球遥感的可复用表示: 可对编码器进行微调或 LoRA 适配，以实现对 LROC 图像及共配准地形产品的检测、分割和密集回归，并且在不同的模态子集和补丁网格上可与预训练阶段有所区别。

根据公告，研究人员可以将该模型应用于多条月球研究方向: 预测永久阴影区可能存在的冰层，这些区域难以观测却可能是未来月球基地的重要资源；绘制不规则月海斑块（Irregular Mare Patches），这些火山特征帮助科学家了解月球的火山历史和热演化；以及检测、关联和分类陨石坑，这项工作可提供地形年龄和地质线索，帮助 NASA 在规避陡坡和巨石等危险的同时选择安全的着陆点。

“NASA 花费数十年时间构建了卓越的月球科学记录，但收集数据只是工作的一部分，” NASA 总部首席科学数据官兼代理首席数据与 AI 官 Kevin Murphy 说，并补充道，该模型展示了在 NASA 海量科学数据上应用 AI 所能实现的可能性。

IBM 表示，该模型延续了两组织之间已建立的合作，并加入了 Hugging Face 上的 Prithvi 系列开源基础模型家族，涵盖地理空间、天气、日球物理以及现在的月球。公告将此开源发布视为一种更广阔的愿景，即研究者可以从共享模型出发，针对新任务进行适配，而不是为每个科学问题从头构建全新的算法系统。

IBM 欧洲、英国和爱尔兰研究部主任Juan Bernabe-Moreno表示，该模型为科学家提供了在大规模上探索月球的基础，能够将不同仪器的观测连接起来，揭示单独观察时难以发现的模式，并“提供了一个全球研究社区可以共同构建的开放平台”。

Architecture and Pretraining

模型卡描述了一个 ViT-B 编码器‑解码器（768 维度，12 层，12 个注意力头），从零开始在 SomBench 上进行训练: 约 200 万个共配准的月球瓦片捆绑，涵盖 11 种模态，分为两种空间尺度——LROC 窄角相机影像约为每像素 1 米，宽角相机影像约为每像素 100 米。系统在 TerraMind 掩码‑token 配方的基础上做了两项扩展。每块瓦片的获取几何信息，包括光照角度、太阳框架锚点和瓦片范围，作为显式编码器输入进行 token 化；作者指出，月球表面外观更多受光照几何影响，而非固有表面差异。NAC 与 WAC 锚定的瓦片也在原始分辨率下的单一混合批次循环中共同训练，使同一套权重能够覆盖两种分辨率族，跨越 100 倍的尺度差距。

输入包括九个密集的类图像层以及两种序列式上下文模态: 每块瓦片的光学元数据（八个字段）和来自 Diviner、LOLA、Mini‑RF、Kaguya、WAC、GRAIL 与 Lunar Prospector 产品的 28 个字段的静态地图上下文。FlexiViT 补丁嵌入使检查点能够在其他补丁尺寸上进行微调而无需重新训练主干，模态级 token 化允许在微调时增删模态。预训练在 16 块 H100 GPU 上进行，150,000 步，全球批次大小为 1,536，使用 bf16，累计约 1,100 GPU 小时，采用九种模态特定的 VQ‑VAE token 化器（FSQ 量化）、DDPM 解码器以及对离散 token 词表的交叉熵目标。

Reported Benchmark Results

IBM 表示，该模型在识别月球表面关键地理特征（包括潜在冰层、陨石坑和火山构造）方面优于广泛使用的方法，提升幅度最高可达 23%。引用 NASA‑IBM 的技术论文，公司报告称，在识别高潜在冰层区域时，该模型的均方根误差（RMSE）比 SwinV2‑B（ImageNet）模型低约 22%；在不完美标签下捕获不规则月海斑块的范围比 SwinV2‑B 高出 3%；在米级陨石坑检测上与 SwinV2‑B 持平，但在约 100 米上下文尺度下使用一半的训练数据时，性能提升近 19%。

模型卡上的基准表显示，极地冰层预测的 RMSE 为 0.0293（全微调），而最佳基线（SwinV2‑B）为 0.0377，随机初始化对照为 0.0397，冰层预测的差距最大。对不规则月海斑块分割的 IoU1 为 0.5709，对比 ConvNeXtV2‑B 的 0.5687；在 WAC 影像上对 Robbins 陨石坑的检测 mAP 为 0.2581（使用 LoRA），而 SwinV2‑B 为 0.2420；卡片指出，使用 50% 训练数据的预训练变体已能匹配或超越在完整数据集上训练的 SwinV2‑B。作者提醒，NAC 陨石坑和不规则月海斑块基准的领先者应视为可比，因为其差距小于不同随机种子之间的波动。基准通过 TerraTorch 运行，加载器、划分、数据增强、损失函数和评估指标在各骨干网络之间保持一致，基线包括 ResNet‑50、ViT‑B MAE、ConvNeXt‑B、ConvNeXt‑V2‑B、SwinV2‑B、DaViT‑B、DeepLabV3+ 与 SegFormer，结果以五个随机种子的均值和标准差报告。

SomBench Corpus and Stated Limitations

IBM 表示，其科学家与 NASA 合作，构建了首个此类开源月球数据集，汇集了来自四个任务、九个仪器的超过 30 层空间对齐层，包括 NASA 的月球勘测轨道器（LRO）和 GRAIL 任务以及日本宇宙航空研究开发机构的 SELENE/Kaguya。SomBench 数据集卡描述了两个轨道: WACLowRes，963,609 块瓦片覆盖 51.2 公里，像素分辨率为 100 米，来源于 54,080 条宽角相机实验数据记录，总计 38 TB；以及 NACHighRes，1,000,113 块瓦片覆盖 512 米，像素分辨率为 1 米，来源于 1,095 条窄角相机记录，总计 1.4 TB。该语料库以 CC BY 4.0 许可证发布，完整数据集托管在 AWS 上。划分在月球横向墨卡托投影区级别进行，目标比例为 75/15/10，跨区瓦片被剔除以防止空间泄漏，测试划分保留用于下游评估。

模型卡声明该系统并非科学级生成产品，未维护任何大地测量参考框架，也未经过用于着陆点认证或危险清除等运营决策的验证；此外，它指出冰层预测输出是基于知识驱动的模糊叠加图，而非实测冰层。列出的限制包括消融贡献尚未单独分离，且 NAC 预训练仅限于 1,095 条共配准帧；数据集卡则指出空间分辨率不均匀，绝对定位误差为数十米。该工作得到 NASA 奖项号 80MSFC25M0084 的支持。