OlmoEarth v1.3: incrustaciones satelitales de 128 dimensiones, precalculadas a escala global y explorador sin inicio de sesión
Según un blog de Allen AI publicado el 22 de octubre de 2026, OlmoEarth v1.3 es un modelo de incrustaciones satelitales que lee series temporales anuales de Sentinel-1, Sentinel-2 y Landsat y genera un vector de 128 dimensiones por cada píxel de 10 metros, cuyas primeras 64 dimensiones pueden usarse por separado. La entidad afirma que sus incrustaciones de 128 dimensiones obtuvieron la puntuación más alta en 20 de 27 evaluaciones, y publica incrustaciones precalculadas globales, pesos, datos de preentrenamiento y código bajo la OlmoEarth Artifact License.
Qué ha cambiado
El blog de Allen AI anunció el 22 de octubre de 2026 el lanzamiento de OlmoEarth v1.3. Según ese blog, se trata de un modelo de incrustaciones satelitales: lee un año de series temporales de radar (Sentinel-1) y multiespectrales (Sentinel-2 y Landsat) y genera un vector de 128 dimensiones para cada píxel de 10 metros del planeta, del cual las primeras 64 dimensiones también pueden utilizarse por separado como una incrustación más pequeña. En cuanto a la arquitectura, un transformer de visión lee los datos satelitales, un Attention Pooler los resume en un único vector por parcela de terreno y una capa lineal los comprime en 128 números. La entidad afirma que, en 27 evaluaciones que abarcan seis continentes y diversas tareas, las incrustaciones de 128 dimensiones obtuvieron la puntuación más alta en 20 de ellas y la versión de 64 dimensiones lideró en 18; los objetos de comparación fueron AlphaEarth Foundations (AEF) y Tessera v2, y también se presentó PLANTEUR, un benchmark de tipos de cultivo orientado a la agricultura tropical. El blog señala que los pesos del modelo, los datos de preentrenamiento y el código de preentrenamiento están todos abiertos, bajo la OlmoEarth Artifact License, igual que en v1 y v1.2. Junto con el lanzamiento también se ofrecen incrustaciones anuales precalculadas a escala global (resolución de 10 metros, 64 y 128 dimensiones), datos alojados en Source Cooperative y la herramienta de navegador OlmoEarth Embeddings Explorer, que no requiere inicio de sesión. El blog afirma que la última ejecución de preentrenamiento de OlmoEarth v1.3 Base costó aproximadamente 2.720 dólares en tiempo de alquiler de H100; el archivo de incrustaciones ocupa unos 150 TB por año, y en el momento del lanzamiento había cobertura global para 2025, 2024 y 2023, y cobertura de solo algunos países para 2017 a 2022.
Impacto para desarrolladores
Desde el punto de vista del desarrollador, este lanzamiento desplaza el centro de gravedad del flujo de trabajo de "hacer mapas con datos satelitales" del ajuste fino hacia la reutilización de características. El blog indica claramente que, hasta ahora, la forma principal de usar OlmoEarth era ajustar el modelo para cada tarea en OlmoEarth Studio, lo que exigía acceso a GPU y capacidad de descargar y almacenar imágenes; el modelo de incrustaciones, en cambio, se posiciona como una forma de comprimir los datos satelitales en características directamente reutilizables, con lo que el entrenamiento de clasificadores pasa a ser un problema de modelado local ligero. Para equipos con recursos limitados, esto significa que primero pueden hacer un primer análisis con pocos puntos etiquetados en Embeddings Explorer, sin necesidad de GPU, y luego decidir si vale la pena invertir cómputo en el ajuste fino. Otro efecto es la accesibilidad de los datos: la entidad publicó incrustaciones precalculadas que cubren todo el planeta y afirma que cada cuadrícula de 20 km y cada año cuentan con una tabla de procedencia que enumera las escenas de Sentinel-1, Sentinel-2 y Landsat que el modelo leyó, junto con enlaces a catálogos públicos, de modo que los píxeles pueden rastrearse hasta las imágenes de origen. Esto reduce la barrera para construir una canalización propia de características de teledetección, pero también traslada la dependencia a la cobertura, el ritmo de actualización y los términos de licencia del archivo de datos oficial. En cuanto al costo de entrenamiento, el blog compara y afirma que el tiempo de cómputo de v1.3 es el 53% del de v1.2 y el 18% del de v1, y que las emisiones de carbono son el 50% y el 22%, respectivamente, y que su rendimiento con etiquetas de investigación y de socios es comparable al de v1.2. Estas cifras son afirmaciones del proveedor del modelo y aún están pendientes de verificación por terceros.
Integración y evaluación
Se recomienda a los desarrolladores que, antes de decidir si adoptarlo, hagan una distinción según los siguientes criterios. La primera decisión se refiere a si la tarea cumple las condiciones para el ajuste fino local: el blog afirma que v1.3 también es un modelo sólido para ajuste fino y que su rendimiento con etiquetas de investigación y de socios es comparable al de v1.2 (afirmación del proveedor). Si tu tarea ya cuenta con datos etiquetados históricos y necesita precisión específica de la tarea, se sugiere fijar primero el mismo conjunto de etiquetas de validación y comparar el rendimiento de las incrustaciones de v1.3 más un clasificador pequeño frente a la línea base existente de v1.2; solo si la diferencia en el conjunto de validación es clara y estable vale la pena invertir en el proceso completo de ajuste fino. Los criterios de evaluación medibles son la precisión de clasificación o el IoU medio en el mismo conjunto de validación, y la cantidad de etiquetas necesarias para alcanzar la precisión objetivo. La segunda decisión se refiere a si hace falta generar incrustaciones propias: la entidad ya ofrece incrustaciones precalculadas globales de 64 y 128 dimensiones, pero el blog afirma que 2025, 2024 y 2023 tienen cobertura global, mientras que 2017 a 2022 solo cubren algunos países. Si tu ventana de investigación queda fuera de la cobertura, o necesitas fechas, modalidades y resoluciones personalizadas, tendrás que usar OlmoEarth Studio o los tutoriales mencionados en el blog para generar incrustaciones con tu propio cómputo; en ese caso, conviene hacer primero una prueba de extremo a extremo en una zona pequeña, con el criterio de aceptación de poder reproducir las dimensiones de los vectores y los registros de procedencia de las incrustaciones oficiales. La tercera decisión se refiere a la licencia y la distribución: el blog afirma que todos los pesos, datos y código se publican bajo la OlmoEarth Artifact License, igual que en v1 y v1.2. Ese nombre no es una licencia de código abierto común al estilo OSI, por lo que se recomienda leer los términos de la licencia uno por uno antes de redistribuir pesos o usar productos de incrustaciones en un producto comercial, para confirmar el alcance de la redistribución y el uso comercial, y no inferir el alcance de la autorización solo porque "los pesos están abiertos". Todas las anteriores son recomendaciones condicionales basadas en la información de la fuente, no conclusiones verificadas.
Límites y cuestiones pendientes
Primero hay que dejar claro que OlmoEarth v1.3 no aparece actualmente en el catálogo de modelos en vivo de KimiSeek, y que todas las descripciones de capacidades del modelo, datos y herramientas de esta entrada provienen del blog de Allen AI y no guardan relación con la disponibilidad en la plataforma KimiSeek. Las conclusiones de evaluación de la fuente (puntuación más alta en 20 de 27 evaluaciones, comparación con AEF y Tessera v2) y las cifras de eficiencia (tiempo de cómputo del 53% respecto de v1.2 y del 18% respecto de v1) son afirmaciones del proveedor y este resumen no las ha reproducido de forma independiente. El blog afirma que los pesos del modelo, los datos de preentrenamiento y el código están "todos abiertos", pero la licencia es la OlmoEarth Artifact License, que no es una licencia de código abierto estándar de la OSI, por lo que los límites concretos de los derechos deben determinarse según el texto original de la licencia. Las incrustaciones precalculadas de 2017 a 2022 solo cubren algunos países; si la región de investigación no está dentro de la cobertura, habrá que generar las incrustaciones por cuenta propia, y la vía de generación propia mencionada en el blog depende de sus tutoriales y de cómputo local. El costo de alquiler de H100 de aproximadamente 2.720 dólares es solo una estimación de la última ejecución de preentrenamiento, no incluye preparación de datos, almacenamiento ni costos de depuración, y los precios de alquiler de hardware cambian con el tiempo, por lo que no debería usarse como base presupuestaria. Las descripciones de que Embeddings Explorer da resultados "en unos segundos" y "sin GPU" se basan en la herramienta oficial; la velocidad real depende de la red y de la descarga de datos, y las diferencias de entorno pueden hacer que la experiencia varíe.
Ilustraciones de la noticia original
