الرموز الأكثر ذكاءً تخفض تكاليف الذكاء الاصطناعي للأقمار الصناعية بمقدار ثلاثة أضعاف دون فقدان الدقة

أصدرت Ai4earth نموذج OlmoEarth v1.1، عائلة من نماذج المحولات لمراقبة الأرض تخفض تكاليف الحوسبة بنسبة تصل إلى ثلاثة أضعاف مع مطابقة أداء المعيار لسابقتها. تأتي كفاءة الأداء من نهج إعادة تصميم الرموز الذي يدمج نطاقات طيفية متعددة من Sentinel-2 في رمز واحد لكل بقعة، مما يقلل طول التسلسل الذي يحدد تكاليف حوسبة المحول. the-plumbing-problem-in-ai-search-is-finally-getting-a-unified-solution

تم إطلاق OlmoEarth الأصلي (v1) في نوفمبر 2025. استخدمه الشركاء منذ ذلك الحين في مهام تتراوح من تتبع تغير أشجار المانغروف إلى تصنيف محركات فقدان الغابات إلى إنتاج خرائط أنواع المحاصيل على مستوى الدولة. ولكن بالنسبة للنشر على مساحات كبيرة، التي تمتد لعشرات إلى مئات الآلاف من الكيلومترات المربعة، فإن الحوسبة هي التكلفة الأعلى في دورة الحياة الكاملة لتصدير البيانات، المعالجة الأولية، الاستدلال، والمعالجة البعدية. حجم ذاكرة أصغر يعني أن المزيد من الشركاء يمكنهم العمل على منصة OlmoEarth، والفرق التي تدير بنيتها التحتية الخاصة توفر بشكل كبير. domyn-and-aisquared-build-on-ai2s-open-releases-for-regulated-industries

“على مدار دورة الحياة الكاملة لتشغيل OlmoEarth، تصدير البيانات، المعالجة الأولية، الاستدلال، والمعالجة البعدية، فإن الحوسبة هي إلى حد بعيد التكلفة الأعلى”، كتب الفريق في الإعلان اليوم. “نموذج أكثر كفاءة يعني أننا نستطيع دعم المزيد من الشركاء على منصة OlmoEarth، وأن أي شخص يدير OlmoEarth على نظامه الخاص يمكنه الاستفادة من هذه التقنية بشكل أسرع وبتكلفة أقل.”

كيف يحدد طول التسلسل التكلفة

تتدرج نماذج المحولات بشكل تربيعي في الحوسبة مع طول تسلسل الرموز، لذلك حتى التخفيضات الصغيرة يمكن أن تخفض التكلفة. سؤال التصميم الرئيسي لمحولات الاستشعار عن بُعد: ما الذي يجعل الرمز فعالاً؟ beyond-copy-paste-scaling-dataset-distillation-with-m3d-and-real-guidance-for-high-resolution-efficiency

باستخدام صور Sentinel-2، يستهلك النموذج موترًا من الطول، العرض، العمق الزمني (T)، و12 قناة طيفية. يقسم نهج v1 كل بقعة إلى رموز متميزة لكل خطوة زمنية لكل دقة، 6 رموز لكل بقعة لإدخال من خطوتين زمنيتين (خطوتان زمنيتان × 3 درجات: 10م، 20م، و60م). ينتج عن ذلك (H/p × W/p × T × 3) رمزًا إجمالاً لإدخال واحد.

هذا الرمز لكل دقة هو ممارسة قياسية: يستخدمه كل من Galileo وSatMAE، وأظهر SatMAe نتائج أفضل بشكل ملحوظ من خط الأساس للرموز المدمجة. لكنه يضاعف عدد الرموز بشكل مضاعف. دمج جميع النطاقات بشكل ساذج في رمز واحد لكل خطوة زمنية قلل عدد الرموز بمقدار ثلاثة أضعاف لكنه تسبب في انخفاض بمقدار 10 نقاط مئوية على معيار m-eurosat kNN، وهو تقييم مستخدم على نطاق واسع للاستشعار عن بُعد. viq-bridging-the-gap-between-semantics-and-detail-in-visual-quantized-representations

“نفترض أن فصل نطاقات Sentinel-2 إلى رموز مختلفة يسهل على OlmoEarth نمذجة العلاقات عبر النطاقات المهمة”، شرح الفريق. لدمج النطاقات دون التضحية بالدقة، قاموا بتعديل نظام ما قبل التدريب، التفاصيل موجودة في التقرير الفني المصاحب.

ما تغير في v1.1

النتيجة هي عائلة نماذج تفعل المزيد بموارد أقل. في كل حجم، Base، Tiny، وNano، يعمل OlmoEarth v1.1 بتكلفة حوسبة تبلغ حوالي ثلث التكلفة الأصلية، مع مطابقة الأداء على مزيج من المعايير البحثية والمهام التي بناها الشركاء.

“يوفر أداءً مشابهًا لـ OlmoEarth v1 مع طلب ثلث الحوسبة، على الرغم من أننا لاحظنا بعض الانحدارات”، أشار الفريق، موجهًا المستخدمين إلى التقرير الفني للتحليل الكامل. بالنسبة لمعظم حالات الاستخدام، يتوقع الفريق تسريعًا كبيرًا أثناء كل من الضبط الدقيق والاستدلال.

للباحثين، يقدم إصدار v1.1 عزلًا تجريبيًا أنظف: نظرًا لأن كلا العائلتين من النماذج تم تدريبهما على نفس مجموعة البيانات، فإن أي تحولات في الأداء تعزل تأثير التغييرات المنهجية. هذا متغير نادر يمكن التحكم فيه في المشهد الفوضوي غالبًا للتدريب المسبق على الاستشعار عن بُعد. ai2-releases-olmo-eval-an-open-evaluation-workbench-for-active-llm-development

أوزان OlmoEarth v1.1 ورمز التدريب متاحة الآن تحت نفس ترخيص المصدر المفتوح مثل v1، بما في ذلك متغيرات النموذج Base وTiny وNano. ai2-opens-the-hood-on-olmo-3-every-checkpoint-every-data-point-every-decision