卫星嵌入不再逐任务训练：OlmoEarth v1.3 一次算出全球每10米像素的向量，27项评测中20项居首
核心概要
OlmoEarth v1.3 把卫星嵌入从逐任务微调变成一次计算、处处复用：它读取一年的 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱时间序列，为全球每个 10 米像素输出 128 维向量，前 64 维也可单独使用。此前使用 OlmoEarth 主要靠在 OlmoEarth Studio 中为每个任务训练模型，需要 GPU 和下载存储影像。与 AlphaEarth Foundations 和 Tessera v2 在六大洲 27 项评测上比较，128 维嵌入在其中 20 项得分最高、总体排名第一，64 维版本在 18 项领先。
深度剖析
卫星影像的用法从“每个任务训练一个模型”改为“先算一次嵌入，再在其上训练小分类器”。 此前使用 OlmoEarth 的主要方式是在 OlmoEarth Studio 中微调，为每个任务训练模型并跑过卫星影像来生成地图，这需要 GPU 访问权限以及下载和存储影像的能力。 嵌入把卫星数据压缩成可复用的特征，因此作物图、土地覆盖图或变化分析变成轻量建模问题：在嵌入上训练一个小分类器并在本地运行即可。
模型把一年的雷达与多光谱时间序列压成每个 10 米像素一个向量。 嵌入模型把卫星数据压缩为可低成本复用于多种任务的现成特征。 流程是视觉 Transformer 读取卫星数据，Attention Pooler 将其池化为每块土地一个向量，再由线性层降到 128 个数；前 64 维可单独作为更小的嵌入使用。
128 维嵌入在多数评测中排名最高，半尺寸的 64 维版本也保持领先。 对照对象是 AlphaEarth Foundations（AEF）和 Tessera v2，覆盖六大洲和多种任务。 在 27 项评测中，128 维嵌入在其中 20 项得分最高并总体排名第一，64 维版本在其中 18 项领先；评测同时引入了面向热带农业的新作物类型基准 PLANTEUR。
这一代模型是 OlmoEarth 系列中训练成本最低的，同时仍是可用的微调模型。 与上一版 v1.2 和初版 v1 相比，训练所需的计算时间与碳排放都下降。 它用了 v1.2 的 53% 计算时间和 v1 的 18%，碳排放分别为 50% 和 22%；在研究标签和合作方标签上，其微调表现与 v1.2 相当。
启示与展望
已展示的范围是全球 10 米分辨率年度嵌入：2025、2024、2023 年为全球覆盖，2017 至 2022 年覆盖部分国家，且覆盖范围仍在扩展；嵌入覆盖陆地及相邻沿海水域，可按 128 维或 64 维获取。面向的读者是希望用少量标签做区域制图与变化分析的研究者和工程团队，可在无需登录的 Embeddings Explorer 中探索，或在 OlmoEarth Studio 中按自选日期、模态和分辨率运行同一模型。
评测结论限于所报告的 27 项评测与六大洲范围，128 维与 64 维版本分别在其中 20 项和 18 项领先，并非全部评测。训练成本数字对应最终一次预训练运行，按租用 H100 时间估算约 2,720 美元。马德雷德迪奥斯案例中，2020 至 2025 年的嵌入变化图并非全暗，说明旧矿区仍在变化，这一解读依赖 MAAP 的监测记录。