OlmoEarth v1.1: Modelos mais eficientes para análise de imagens de satélite
Lançamento do OlmoEarth v1.1: eficiência e desempenho aprimorados
O Allen Institute for AI (AI2), em parceria com a Hugging Face, anunciou o lançamento do OlmoEarth v1.1, uma nova família de modelos transformer para análise de imagens de satélite que traz ganhos significativos em eficiência computacional sem perder a qualidade das predições. Essa atualização representa um avanço importante para pesquisadores, desenvolvedores e organizações que utilizam inteligência artificial para monitoramento ambiental, agricultura e outras aplicações em larga escala.
O que muda no OlmoEarth v1.1?
Desde o lançamento da versão 1 em novembro de 2025, o OlmoEarth já foi aplicado em diversas tarefas, como monitoramento de manguezais, classificação das causas de desmatamento e mapeamento de culturas agrícolas em áreas continentais e globais. A principal inovação do OlmoEarth v1.1 é a redução de até 3 vezes nos custos computacionais durante todo o ciclo de uso do modelo — desde a exportação e pré-processamento dos dados até a inferência e pós-processamento.
Essa melhoria é alcançada por meio da diminuição do comprimento das sequências de tokens processadas pelo modelo transformer, que são baseadas em imagens do satélite Sentinel-2. Como o custo computacional cresce quadraticamente com o número de tokens, a redução do tamanho das sequências impacta diretamente no desempenho e na economia de recursos.
Como o OlmoEarth representa os dados de satélite?
O OlmoEarth transforma a imagem do Sentinel-2, que possui dimensões espaciais, temporais e canais espectrais, em sequências de tokens. Na versão original, cada token representa um patch espacial em uma resolução específica e em um instante temporal, gerando múltiplos tokens por patch devido às diferentes resoluções (10m, 20m e 60m).
Na versão 1.1, a equipe desenvolveu um método para fundir tokens de diferentes resoluções sem perda significativa de desempenho, algo que modelos anteriores como CROMA já utilizavam, reduzindo em até três vezes o número total de tokens. Para isso, foi necessário adaptar o regime de pré-treinamento para preservar a capacidade do modelo de capturar relações importantes entre as bandas espectrais.
Quem pode se beneficiar do OlmoEarth v1.1?
Essa nova família de modelos é ideal para equipes que precisam realizar análises frequentes e em larga escala de imagens de satélite, como instituições ambientais, agências governamentais, pesquisadores em sensoriamento remoto e empresas do setor agrícola. A redução de custos computacionais torna viável a atualização regular de mapas planetários, ampliando o acesso à tecnologia para projetos com diferentes orçamentos de infraestrutura.
Para desenvolvedores que já utilizam o OlmoEarth v1, a atualização para o v1.1 pode trazer ganhos expressivos de velocidade e economia durante o fine-tuning e a inferência, mantendo desempenho semelhante em benchmarks e tarefas reais, com algumas exceções detalhadas no relatório técnico.
Disponibilidade, preço e acesso
- Modelos pré-treinados e código: estão disponíveis no repositório oficial no GitHub allenai/olmoearth_pretrain e na coleção OlmoEarth na Hugging Face allenai/olmoearth.
- Documentação e relatórios técnicos: podem ser consultados em allenai.org/papers/olmoearth_v1_1 e na documentação oficial da Hugging Face huggingface.co/docs.
- Cadastro e uso: para acessar os modelos e recursos da Hugging Face, é necessário criar uma conta gratuita em huggingface.co/join.
- Preços: o custo para uso em escala depende do plano contratado na Hugging Face, detalhado em huggingface.co/pricing. O OlmoEarth v1.1 reduz custos operacionais ao ser mais eficiente, podendo reduzir gastos com infraestrutura em projetos próprios.
Impacto prático e próximos passos
Com o OlmoEarth v1.1, o acesso a análises avançadas de imagens de satélite torna-se mais viável para um público maior, ampliando o monitoramento ambiental, o planejamento agrícola e a resposta a desastres naturais. A redução no custo computacional pode acelerar o desenvolvimento de soluções baseadas em IA para proteger o planeta.
A equipe do AllenAI e Hugging Face segue aprimorando metodologias de pré-treinamento e tokenização para aumentar a eficiência e o desempenho dos modelos de sensoriamento remoto, contribuindo para o avanço científico e tecnológico nessa área.