艾伦人工智能研究所（Ai2）发布OlmoEarth v1.3，提供10米年度遥感嵌入与浏览器分析工具，旨在通过共享预计算地表特征降低制图门槛并支持轻量级下游任务。尽管新版在多项开发方评测中表现领先，数据覆盖存在地理与时间边界，且许可限制与年度粒度决定了其在实时监测与敏感用途中的适用性。
艾伦人工智能研究所（Ai2）于2026年10月22日发布OlmoEarth v1.3，将卫星影像分析的重点从“为每项任务重新运行大模型”，转向“共享预先计算好的地表特征”。此次发布不仅包括遥感基础模型，还包括10米分辨率的年度嵌入数据，以及面向浏览器的地图分析工具OlmoEarth Embeddings Explorer。
按照Ai2在Hugging Face发布的公告，用户可以利用这些特征寻找相似地点、比较不同年份的地表变化，或用少量标注训练轻量级分类器，而不必先下载原始卫星影像、配置GPU并完成一次完整的模型微调。
不过，“全球”和“多年”需要分别理解。首发时，2023、2024和2025年的数据提供全球范围覆盖，2017至2022年仍只覆盖部分国家。数据集还存在明确的地理边界，并不包括南极洲，也不是覆盖整个海洋的地球实时监测系统。
从处理卫星影像，转向复用地表特征
遥感分析的成本不只来自模型训练。要制作一张作物分布图或土地覆盖图，团队通常还需要获取不同卫星、不同月份的影像，处理云层遮挡、投影和分辨率差异，再运行模型生成结果。
OlmoEarth v1.3试图把其中一部分工作提前完成。它读取一整年的Sentinel-1雷达数据，以及Sentinel-2和Landsat多光谱影像，将同一地点跨时间、跨传感器的信息压缩成一个向量。每个10米像元对应128个数值；其中前64维经过专门训练，也可以独立作为较小的嵌入使用。
这些向量不是现成的“森林”“稻田”或“矿区”标签，而是可以用于后续分析的输入特征。要制作特定用途的地图，用户仍需要确定分类目标、提供标注并检验结果。变化分析也可以直接比较不同年份的向量，但向量发生变化，并不自动说明变化由什么造成。
官方模型卡显示，模型采用拥有1.28亿参数的ViT-Base主干，另配有用于聚合信息的Perceiver组件和线性投影层。技术报告解释，注意力池化机制负责将多个时间点、多个模态的信息汇聚到具体位置，再把768维表示压缩为128维。
这与此前OlmoEarth侧重微调和大规模推理的平台路线相衔接。AI Flux此前对OlmoEarth地理空间推理平台的报道关注的是如何组织影像、并行运行模型并交付地图；v1.3新增的年度嵌入，则让一部分任务可以复用已经完成的基础计算。
“领先”来自开发方评测，不代表所有地区都更准确
Ai2在发布公告中表示，团队将OlmoEarth v1.3与AlphaEarth Foundations和Tessera v2进行了比较，评估覆盖六大洲的27项测试。按照这一汇总口径，128维嵌入在20项测试中得分最高，64维版本在18项中领先。
这些成绩来自开发团队自身的评测，应与独立第三方复测区分。技术报告还按数据集、分类器和任务类型进一步拆分结果，不能把公告中的27项评估直接理解为27个完全独立的数据集。
报告显示，在沿用AlphaEarth Foundations评估协议的八个数据集上，128维OlmoEarth嵌入在七个数据集上优于两个比较对象；埃塞俄比亚作物任务是例外，Tessera v2在相关比较中持续表现更好。在法国作物分割数据集PASTIS上，OlmoEarth的128维版本获得58.6的平均交并比（mIoU），Tessera v2为58.3，差距较小。
这一差异说明，平均排名并不能代替对具体地区、具体用途的验证。对于作物识别，训练样本与实际应用地区之间的差异，仍可能显著影响结果。
Ai2同期推出的热带作物制图基准PLANTEUR正是为了检验这一问题。该基准将评估从法国本土农业扩展到热带地区，考察模型在不同农业系统中的表现，以及分类器向未见地区迁移的能力。Ai2承认，所有受测方法，包括自家方法，在PLANTEUR上的成绩都明显低于PASTIS，跨地区泛化仍是难点。
此外，v1.3技术报告说明，用于评测的嵌入与最终发布的数据并非逐位相同：公开数据采用了不同的推理方式来减少拼接伪影。团队在PASTIS验证集上的对比显示，两种方式差异不大，但这仍是理解评测与实际数据产品关系时需要保留的限定条件。
浏览器降低试用门槛，年度档案并不等于实时预警
按Ai2的产品说明，Embeddings Explorer将嵌入显示为伪彩色地图，用户可以切换年份、调出Sentinel-2影像进行对照，或点击一个地点寻找特征相似的区域。用户还可以添加标注点，训练小型分类器，并将结果导出为GeoTIFF。
Ai2称，这种初步分析无需账户，也不要求用户自备GPU。这里降低的是使用预计算嵌入的门槛，并不意味着从原始影像生成嵌入、重新训练基础模型或处理任意时间窗口都不再需要计算资源。
对于需要特定日期、输入模态或分辨率的任务，官方仍提供OlmoEarth Studio和自行计算嵌入的工作流。年度产品适合比较长期变化，却不能直接替代灾害发生后按小时或按天更新的监测流程。
Source Cooperative上的数据说明进一步限定了覆盖范围：数据主要覆盖陆地和符合观测条件的邻近水域，覆盖区域从南纬59.5度延伸至北纬83.6度，不包括南极洲；国际日期变更线附近还有一条未计算嵌入的窄带。
Ai2称，年度档案的数据规模约为150 TB。数据采用支持按区域读取的Zarr格式，用户不必为了分析一个县或一片森林下载整个全球档案。64维版本也为存储、带宽与任务精度之间提供了另一种取舍。
数据说明同时提醒，缺失值不代表当地没有陆地；部分位置可能因为覆盖范围或影像可用性而没有计算结果。公开向量经过非线性量化，进行距离计算等分析前需要正确还原，不能把原始整数直接当作普通特征值使用。
地图能够提示变化，不能单独解释原因
Ai2在公告中用秘鲁马德雷德迪奥斯地区的拉潘帕金矿区展示多年变化分析：比较2017与2020年、2020与2025年的像元向量，可以看到变化热点在不同阶段发生转移。
这一示例有可核验的历史背景。亚马逊保护组织MAAP于2019年8月发布的监测报告记载，秘鲁政府于当年2月启动“水星行动”，打击拉潘帕非法金矿活动。报告比较不同年份2月至6月的数据后发现，当地采金造成的毁林面积大幅下降，但偏远地区仍存在零散活动。该报告也明确指出，拉潘帕位于坦博帕塔国家保护区的缓冲区，而非保护区内部。
这是一段用于解释数据用途的历史案例，并非此次模型发布时新发生的采矿事件。
它也说明了嵌入分析的边界：发现地表特征发生变化，可以帮助调查人员缩小核查范围；要判断变化来自采矿、植被恢复还是其他土地利用活动，仍需要结合原始影像、当地记录和必要的实地调查。模型输出本身不能证明某项活动违法，也不能单独建立政策措施与地表变化之间的因果关系。
数据产品提供了相应的追溯机制。官方说明，每个年度、每个约20公里图块都有来源记录，列出所用Sentinel-1、Sentinel-2和Landsat影像，并链接至公共目录。这使使用者能够检查模型实际读取了哪些观测数据，而不只是查看一张结果地图。
开放获取附带用途限制，训练报价也不是全部成本
Ai2称，v1.3的训练GPU小时数为v1.2的53%、初代v1的18%。发布公告还估算，复现v1.3 Base最终一次预训练运行，租用H100的费用约为2720美元。
这里的关键词是“最终一次运行”。这一数字不等于整个研发项目的预算，也不包含全部试验、人员投入或全球嵌入数据的生成与持续托管成本。预计算降低的是后续用户重复运行基础模型的需求，而不是让地球尺度的数据处理不再消耗资源。
开放范围同样需要准确表述。Ai2公开了模型权重、预训练数据和代码，但发布所采用的OlmoEarth Artifact License并非不附条件的任意用途授权。
该许可允许在遵守条款的前提下使用、修改和分发相关成果，同时禁止军事与国防相关应用，包括所列举的情报收集、人员监控和警务活动；也禁止用于规划或促进石油、天然气、矿产等资源开采的活动。分发衍生成果时，还需保留下游用途限制。
因此，对科研、公益或商业团队而言，能否匿名下载、是否需要GPU，以及用途是否获得许可，是三个不同的问题。
OlmoEarth v1.3的实际价值，在于把一部分昂贵的遥感基础计算变成可重复使用的数据层，让更多团队能够先用小规模标注验证问题，再决定是否投入更复杂的训练和调查。但数据覆盖、跨地区误差、年度时间粒度和许可边界，仍决定了它能否成为一项具体工作的可靠工具。