El Allen Institute for AI (AI2) lanzó OlmoEarth, una familia de modelos de fundación multimodal de código abierto para observación de la Tierra e inteligencia geoespacial. La familia de modelos viene en cuatro tamaños: OlmoEarth-Nano (~1,4M de parámetros) y Tiny (~6,2M) para inferencia rápida y barata; Base (~90M) para precisión/velocidad equilibrada; y Large (~300M) para desempeño pico. Entrenado en datos de satélite multimodal (imagénes ópticas, radar, mapas ambientales), OlmoEarth destaca en clasificación de escena, segmentación semántica, detección de objetos, detección de cambios y regresión en tareas de imagen única y series de tiempo.
OlmoEarth supera modelos más grandes, incluidos DINOv3 de Meta, Prithvi de IBM/NASA, Terramind de IBM, CROMA, Panopticon y Satlas y Galileo de AI2. Compite con AlphaEarth Foundations de Google DeepMind: en tareas kNN funciona a paridad o mejor; ajustado, supera sustancialmente. El impacto del mundo real es inmediato: Global Mangrove Watch redujo su tubería de mapeo de años de recolección/anotación de datos a horas usando OlmoEarth, usando solo el 0,1% de sus 5,8M muestras etiquetadas. El International Food Policy Research Institute ahora está generando mapas de cultivos a nivel de condado para Kenia con datos de campo locales, permitiendo intervenciones más rápidas en seguridad alimentaria.
Para arquitectos de IA climática/ambiental: OlmoEarth Platform es un sistema integrado de extremo a extremo (Studio para etiquetado/ajuste fino, Viewer para exploración, Run para inferencia a escala, APIs para integración de flujo de trabajo). Los pesos abiertos + código + documento técnico permiten transparencia y auditoría comunitaria. Ventaja clave: los modelos más pequeños logran desempeño Pareto-óptimo vs. cómputo, reduciendo costos de inferencia y permitiendo rea nálisis continuo. Los casos de uso dirigibles abarcan monitoreo de cultivos, conservación de manglares, predicción de riesgo de incendios forestales y detección de deforestación—todos requiriendo actualizaciones frecuentes a escala.