OlmoEarth v1.3 veröffentlicht: 128-dimensionales Satelliten-Embedding-Modell, global vorberechnete Embeddings und Explorer ohne Anmeldung
Laut einem am 22. Oktober 2026 veröffentlichten Blogbeitrag von Allen AI ist OlmoEarth v1.3 ein Satelliten-Embedding-Modell, das jährliche Zeitreihen von Sentinel-1, Sentinel-2 und Landsat liest und für jedes 10-Meter-Pixel einen 128-dimensionalen Vektor erzeugt, wobei die ersten 64 Dimensionen separat genutzt werden können. Laut offizieller Angabe erzielten seine 128-dimensionalen Embeddings in 20 von 27 Evaluierungen die höchste Punktzahl; global vorberechnete Embeddings, Gewichte, Vortrainingsdaten und Code wurden unter der OlmoEarth Artifact License offengelegt.
Was sich geändert hat
Allen AI kündigte in einem Blogbeitrag vom 22. Oktober 2026 die Veröffentlichung von OlmoEarth v1.3 an. Dem Blogbeitrag zufolge handelt es sich um ein Satelliten-Embedding-Modell: Es liest ein Jahr radarmetrischer (Sentinel-1) und multispektraler (Sentinel-2 und Landsat) Zeitreihen und erzeugt für jedes 10-Meter-Pixel der Erde einen 128-dimensionalen Vektor, wobei die ersten 64 Dimensionen auch als kleineres Embedding separat verwendet werden können. Architektonisch liest ein Vision Transformer die Satellitendaten, ein Attention Pooler fasst sie zu einem einzelnen Vektor pro Landstück zusammen, und eine lineare Schicht komprimiert sie auf 128 Zahlen. Laut offizieller Angabe erzielten die 128-dimensionalen Embeddings in 20 von 27 Evaluierungen, die sechs Kontinente und verschiedene Aufgaben abdecken, die höchste Punktzahl, die 64-dimensionale Version führte in 18; Vergleichsobjekte waren AlphaEarth Foundations (AEF) und Tessera v2, zudem wurde der auf tropische Landwirtschaft ausgerichtete Kulturpflanzen-Benchmark PLANTEUR vorgestellt. Der Blogbeitrag gibt an, dass Modellgewichte, Vortrainingsdaten und Vortrainingscode vollständig offen sind, unter der OlmoEarth Artifact License, identisch mit v1 und v1.2. Zusammen mit der Veröffentlichung wurden global vorberechnete jährliche Embeddings (10-Meter-Auflösung, 64 und 128 Dimensionen), bei Source Cooperative gehostete Daten sowie das browserbasierte Werkzeug OlmoEarth Embeddings Explorer ohne Anmeldung bereitgestellt. Der Blogbeitrag nennt für den letzten Lauf des vortrainierten OlmoEarth v1.3 Base etwa 2.720 US-Dollar für H100-Mietzeit; das Embedding-Archiv umfasse etwa 150 TB pro Jahr, zum Veröffentlichungszeitpunkt globale Abdeckung für 2025, 2024 und 2023 sowie teilweise Länderabdeckung für 2017 bis 2022.
Auswirkungen für Entwickler
Aus Entwicklersicht verlagert diese Veröffentlichung den Schwerpunkt des Arbeitsablaufs „Karten mit Satellitendaten erstellen“ vom Fine-Tuning hin zur Merkmalswiederverwendung. Der Blogbeitrag stellt ausdrücklich fest, dass die bisherige Hauptnutzung von OlmoEarth darin bestand, Modelle in OlmoEarth Studio für jede Aufgabe feinabzustimmen, was GPU-Zugriff sowie die Fähigkeit zum Herunterladen und Speichern von Bilddaten erforderte; die Positionierung des Embedding-Modells besteht darin, Satellitendaten in direkt wiederverwendbare Merkmale zu komprimieren, wodurch das Training von Klassifikatoren zu einem leichten lokalen Modellierungsproblem wird. Für Teams mit begrenzten Ressourcen bedeutet dies, dass sie zunächst im Embeddings Explorer mit wenigen annotierten Punkten eine erste Analyse durchführen können, ohne GPU, und dann entscheiden, ob sich der Einsatz von Fine-Tuning-Rechenleistung lohnt. Ein weiterer Effekt betrifft die Datenverfügbarkeit: Offiziell wurden vorberechnete Embeddings für den gesamten Planeten veröffentlicht, und es wird behauptet, dass jeder 20-Kilometer-Raster und jedes Jahr über eine Herkunftstabelle verfügen, die die vom Modell gelesenen Sentinel-1-, Sentinel-2- und Landsat-Szenen sowie Links zu öffentlichen Katalogen auflistet, sodass Pixel bis zur Bildquelle zurückverfolgt werden können. Dies senkt die Hürde für den Aufbau eigener Fernerkundungs-Merkmalspipelines, verlagert jedoch die Abhängigkeit auf den Abdeckungsumfang, die Aktualisierungsfrequenz und die Lizenzbedingungen des offiziellen Datenarchivs. Zu den Trainingskosten vergleicht der Blogbeitrag, dass v1.3 53 % der Rechenzeit von v1.2 und 18 % von v1 verbraucht, mit 50 % bzw. 22 % Kohlenstoffemissionen, und dass es bei Forschungs- und Partnerlabels mit v1.2 vergleichbar abschneidet. Diese Zahlen sind Eigenangaben des Modellanbieters und stehen noch zur unabhängigen Reproduktion aus.
Integration und Bewertung
Entwicklern wird empfohlen, vor einer Entscheidung über die Nutzung folgende Bedingungen zur Abgrenzung zu prüfen. Die erste Entscheidung betrifft die Frage, ob die Aufgabe lokales Fine-Tuning erlaubt: Der Blogbeitrag bezeichnet v1.3 zugleich als starkes Fine-Tuning-Modell, das bei Forschungs- und Partnerlabels mit v1.2 vergleichbar abschneidet (dies ist eine Anbieterangabe). Wenn für Ihre Aufgabe bereits historische annotierte Daten vorliegen und aufgabenspezifische Genauigkeit erforderlich ist, empfiehlt es sich, zunächst dieselbe Validierungsstichprobe festzulegen und die Leistung von v1.3-Embeddings plus kleinem Klassifikator mit der bestehenden v1.2-Baseline zu vergleichen; erst wenn der Unterschied auf dem Validierungssatz deutlich und stabil ist, lohnt sich der vollständige Fine-Tuning-Prozess. Messbare Bewertungskriterien sind die Klassifikationsgenauigkeit oder der mittlere IoU auf demselben Validierungssatz sowie die Anzahl der für die Zielgenauigkeit benötigten Annotationen. Die zweite Entscheidung betrifft die Frage, ob eine eigene Embedding-Generierung nötig ist: Offiziell stehen global vorberechnete 64- und 128-dimensionale Embeddings bereit, doch der Blogbeitrag nennt globale Abdeckung für 2025, 2024 und 2023, während 2017 bis 2022 nur teilweise Länder abdeckt. Wenn Ihr Untersuchungszeitraum außerhalb der Abdeckung liegt oder Sie benutzerdefinierte Zeiträume, Modalitäten und Auflösungen benötigen, müssen Sie Embeddings mit OlmoEarth Studio oder dem im Blog erwähnten Tutorial auf eigener Rechenleistung erzeugen; dabei sollte zunächst ein End-to-End-Testlauf in einer kleinen Region durchgeführt werden, mit der Reproduzierbarkeit der offiziellen Vektordimensionen und Herkunftsaufzeichnungen als Abnahmekriterium. Die dritte Entscheidung betrifft Lizenz und Weitergabe: Der Blogbeitrag gibt an, dass alle Gewichte, Daten und Code unter der OlmoEarth Artifact License veröffentlicht sind, identisch mit v1 und v1.2. Dieser Name ist keine übliche OSI-Open-Source-Lizenz; es wird empfohlen, vor der Weitergabe von Gewichten oder der Nutzung von Embedding-Produkten in kommerziellen Produkten die Lizenzbedingungen Punkt für Punkt zu lesen, den Umfang von Weitergabe und kommerzieller Nutzung zu klären und nicht allein aus „offenen Gewichten“ auf den Lizenzumfang zu schließen. All dies sind bedingte Empfehlungen auf Basis der Quellinformationen, keine verifizierten Schlussfolgerungen.
Grenzen und offene Fragen
Zunächst ist klarzustellen: OlmoEarth v1.3 erscheint derzeit nicht im Echtzeit-Modellkatalog von KimiSeek; alle Beschreibungen zu Modellfähigkeiten, Daten und Werkzeugen in diesem Eintrag stammen aus dem Allen-AI-Blog und stehen in keinem Zusammenhang mit der Verfügbarkeit auf der KimiSeek-Plattform. Die Evaluierungsergebnisse in der Quelle (höchste Punktzahl in 20 von 27 Evaluierungen, Vergleich mit AEF und Tessera v2) und die Effizienzzahlen (Rechenzeit 53 % von v1.2, 18 % von v1) sind Eigenangaben des Anbieters und wurden in diesem Bericht nicht unabhängig reproduziert. Der Blogbeitrag bezeichnet Modellgewichte, Vortrainingsdaten und Code als „vollständig offen“, doch die Lizenz ist die OlmoEarth Artifact License und keine standardmäßige OSI-Open-Source-Lizenz; der konkrete Rechteumfang ist dem Lizenztext zu entnehmen. Die vorberechneten Embeddings für 2017 bis 2022 decken nur teilweise Länder ab; liegt Ihr Untersuchungsgebiet außerhalb der Abdeckung, müssen Sie Embeddings selbst erzeugen, und der im Blog genannte Eigenbau-Pfad hängt von dessen Tutorial und lokaler Rechenleistung ab. Die H100-Mietkosten von etwa 2.720 US-Dollar sind lediglich eine Schätzung für den letzten Vortraining-Lauf, ohne Datenvorbereitung, Speicherung und Debugging-Aufwand, und die Hardware-Mietpreise ändern sich im Laufe der Zeit, sodass sie nicht als Budgetgrundlage dienen sollten. Die Beschreibungen des Embeddings Explorer („Ergebnisse in Sekunden“, „keine GPU nötig“) basieren auf dem offiziellen Werkzeug; die tatsächliche Geschwindigkeit hängt von Netzwerk und Daten-Download ab, und Umgebungsunterschiede können die Erfahrung verändern.
Abbildungen aus dem Originalbericht
