AllenAI发布OlmoEarth v1.1 提升三倍计算效率助力全球卫星遥感

背景与使命

AllenAI 的 OlmoEarth 系列自 2025 年底发布以来，已被多家合作伙伴用于红树林变化监测、森林砍伐驱动因素分析以及全国尺度作物分类等任务。随着模型在数万至数百万平方公里范围内的部署，计算开销成为制约进一步扩展的关键瓶颈。

关键技术创新

• 序列长度优化：通过缩短 Transformer 的 token 序列长度，实现计算量二次递减。
• 分辨率 Token 设计：针对 Sentinel‑2 多分辨率数据，采用每个分辨率单独生成 token 的方案，保留跨波段关系的细粒度信息。
• 预训练策略改进：在保持原始训练数据不变的前提下，调整掩码和对比学习目标，使模型在更短序列下仍能保持稳健表征。

性能与成本对比

实验表明，尽管 token 数量减少 30%‑50%，在 m‑eurosat kNN 基准上仅出现约 10 个百分点的性能下降，整体精度仍与 v1 持平。

开源资源与使用指南

• 模型权重：Base、Tiny、Nano 三个规模均已上传至 Hugging Face（链接）。
• 代码仓库：完整预训练与微调代码开源于 GitHub（github.com/allenai/olmoearth_pretrain）。
• 快速上手：示例脚本演示了从 Sentinel‑2 数据读取、token 化到推理的全流程，仅需约 1/3 的 GPU 时间即可完成同等规模的地图生成。

行业意义

OlmoEarth v1.1 的成本优势直接降低了政府、NGO 以及商业机构进行周期性 planet‑scale 遥感监测的门槛。更快的模型迭代意味着能够在灾害响应、作物监测等时效性强的场景中提供更及时的数据支撑。

“三倍的计算节省让我们能够把地图刷新频率从月度提升到每周，极大提升了决策的时效性。”—— AllenAI 团队成员 Kyle Wiggers

未来，AllenAI 计划将 OlmoEarth 的 token 设计经验迁移至其他多模态遥感模型，进一步推动地球观测 AI 的规模化落地。