OlmoEarth v1.3 é lançado: modelo de embeddings de satélite de 128 dimensões, embeddings globais pré-calculados e explorador sem login
Segundo um blog publicado pela Allen AI em 22 de outubro de 2026, o OlmoEarth v1.3 é um modelo de embeddings de satélite que lê séries temporais anuais do Sentinel-1, Sentinel-2 e Landsat e gera um vetor de 128 dimensões para cada pixel de 10 metros, sendo que as primeiras 64 dimensões podem ser usadas isoladamente. A empresa afirma que seus embeddings de 128 dimensões obtiveram a melhor pontuação em 20 de 27 avaliações e disponibilizou embeddings globais pré-calculados, pesos, dados de pré-treinamento e código, sob a OlmoEarth Artifact License.
O que mudou
O blog da Allen AI anunciou em 22 de outubro de 2026 o lançamento do OlmoEarth v1.3. Segundo o blog, trata-se de um modelo de embeddings de satélite: ele lê um ano de séries temporais de radar (Sentinel-1) e multiespectrais (Sentinel-2 e Landsat) e gera um vetor de 128 dimensões para cada pixel de 10 metros na Terra, sendo que as primeiras 64 dimensões também podem ser usadas isoladamente como um embedding menor. Na arquitetura, um transformer de visão lê os dados de satélite, um Attention Pooler os agrega em um único vetor por parcela de terra e uma camada linear comprime o resultado em 128 números. A empresa afirma que, em 27 avaliações cobrindo seis continentes e diversas tarefas, os embeddings de 128 dimensões obtiveram a melhor pontuação em 20 delas, e a versão de 64 dimensões liderou em 18; os objetos de comparação são o AlphaEarth Foundations (AEF) e o Tessera v2, e também foi lançado o PLANTEUR, um benchmark de tipos de cultura voltado à agricultura tropical. O blog afirma que os pesos do modelo, os dados de pré-treinamento e o código de pré-treinamento estão todos abertos, sob a OlmoEarth Artifact License, a mesma das versões v1 e v1.2. Junto com o lançamento, também foram disponibilizados embeddings anuais globais pré-calculados (resolução de 10 metros, 64 e 128 dimensões), dados hospedados no Source Cooperative e a ferramenta de navegador sem necessidade de login OlmoEarth Embeddings Explorer. O blog afirma que a última execução de pré-treinamento do OlmoEarth v1.3 Base custa aproximadamente 2.720 dólares em tempo de aluguel de H100; o arquivo de embeddings ocupa cerca de 150 TB por ano, com cobertura global em 2025, 2024 e 2023 no lançamento, e cobertura parcial de países de 2017 a 2022.
Impacto para desenvolvedores
Do ponto de vista do desenvolvedor, este lançamento desloca o centro de gravidade do fluxo de trabalho de "fazer mapas com dados de satélite" do ajuste fino para a reutilização de características. O blog deixa claro que, anteriormente, a principal forma de usar o OlmoEarth era ajustar o modelo para cada tarefa no OlmoEarth Studio, o que exigia acesso a GPU e capacidade de baixar e armazenar imagens; a proposta do modelo de embeddings é comprimir os dados de satélite em características diretamente reutilizáveis, tornando o treinamento do classificador um problema leve de modelagem local. Para equipes com recursos limitados, isso significa que é possível fazer uma primeira análise com poucos pontos anotados no Embeddings Explorer, sem GPU, e só depois decidir se vale a pena investir poder de computação em ajuste fino. Outro impacto é a acessibilidade dos dados: a empresa publicou embeddings pré-calculados com cobertura global e afirma que cada célula de 20 km e cada ano têm uma tabela de procedência que lista as cenas Sentinel-1, Sentinel-2 e Landsat lidas pelo modelo, além de links para catálogos públicos, permitindo rastrear cada pixel até a fonte da imagem. Isso reduz a barreira para construir pipelines próprios de características de sensoriamento remoto, mas transfere a dependência para a cobertura, a cadência de atualização e os termos de licença do arquivo oficial de dados. Em custo de treinamento, o blog compara que o tempo de computação do v1.3 é 53% do v1.2 e 18% do v1, com emissões de carbono de 50% e 22%, respectivamente, e afirma ainda que seu desempenho com rótulos de pesquisa e de parceiros é comparável ao do v1.2. Esses números são declarações do próprio fornecedor do modelo e ainda dependem de verificação independente por terceiros.
Integração e avaliação
Recomenda-se que os desenvolvedores façam uma avaliação condicional antes de decidir adotar o modelo. A primeira decisão diz respeito a se a tarefa tem condições de ajuste fino local: o blog afirma que o v1.3 também é um modelo forte de ajuste fino, com desempenho comparável ao v1.2 em rótulos de pesquisa e de parceiros (declaração do fornecedor). Caso sua tarefa já tenha dados históricos rotulados e exija precisão específica da tarefa, sugere-se primeiro fixar o mesmo conjunto de rótulos de validação e comparar os embeddings do v1.3 com um classificador pequeno contra a linha de base existente do v1.2; só vale a pena investir no fluxo completo de ajuste fino se a diferença no conjunto de validação for clara e estável. Os critérios mensuráveis de avaliação são a precisão de classificação ou a interseção sobre união média no mesmo conjunto de validação, e a quantidade de anotações necessária para atingir a precisão desejada. A segunda decisão diz respeito a se é necessário gerar embeddings próprios: a empresa já oferece embeddings globais pré-calculados de 64 e 128 dimensões, mas o blog afirma que 2025, 2024 e 2023 têm cobertura global, enquanto 2017 a 2022 cobrem apenas alguns países. Se sua janela de pesquisa estiver fora da cobertura, ou se você precisar de datas, modalidades e resoluções personalizadas, será necessário usar o OlmoEarth Studio ou os tutoriais mencionados no blog para gerar embeddings em sua própria capacidade de computação; nesse caso, faça primeiro um teste ponta a ponta em uma área pequena, tendo como critério de aceitação a capacidade de reproduzir as dimensões dos vetores e os registros de procedência dos embeddings oficiais. A terceira decisão envolve licenciamento e distribuição: o blog afirma que todos os pesos, dados e código são publicados sob a OlmoEarth Artifact License, a mesma das versões v1 e v1.2. Esse nome não é uma licença de código aberto típica no estilo OSI, e recomenda-se ler os termos da licença item por item antes de redistribuir pesos ou usar produtos de embedding em produtos comerciais, confirmando o escopo de redistribuição e uso comercial, sem inferir o escopo de autorização apenas pela abertura dos pesos. Todas as recomendações acima são condicionais e baseadas nas informações da fonte, não constituindo conclusões verificadas.
Limites e pontos a confirmar
Primeiro, é preciso deixar claro: o OlmoEarth v1.3 atualmente não aparece no catálogo de modelos em tempo real do KimiSeek, e todas as descrições de capacidades, dados e ferramentas deste item vêm do blog da Allen AI, sem relação com a disponibilidade na plataforma KimiSeek. As conclusões de avaliação da fonte (melhor pontuação em 20 de 27 avaliações e a comparação com AEF e Tessera v2) e os números de eficiência (tempo de computação de 53% do v1.2 e 18% do v1) são declarações do fornecedor, e este resumo não realizou reprodução independente. O blog afirma que os pesos do modelo, os dados de pré-treinamento e o código estão "todos abertos", mas a licença é a OlmoEarth Artifact License, que não é uma licença de código aberto padrão no estilo OSI, e os limites específicos de direitos devem ser verificados no texto original da licença. Os embeddings pré-calculados de 2017 a 2022 cobrem apenas alguns países; se a área de pesquisa não estiver na cobertura, será necessário gerar embeddings por conta própria, e o caminho autogerido mencionado no blog depende de seus tutoriais e de capacidade de computação local. O custo aproximado de 2.720 dólares em aluguel de H100 é apenas uma estimativa da última execução de pré-treinamento, não incluindo preparação de dados, armazenamento e depuração, e os preços de aluguel de hardware mudam com o tempo, não devendo servir como base orçamentária. As descrições do Embeddings Explorer de "resultados em segundos" e "sem necessidade de GPU" baseiam-se na ferramenta oficial, e a velocidade real depende da rede e do download de dados, podendo variar conforme o ambiente.
Ilustrações da notícia original
