OlmoEarth v1.3: IA satelital abierta para todo el planeta

Qué es OlmoEarth v1.3 y por qué debería importarte

El Allen Institute for AI (Ai2) liberó OlmoEarth v1.3, un modelo de embeddings satelitales que convierte un año completo de imágenes de radar y multiespectrales en un vector de 128 números por cada píxel de 10 metros del planeta. Lo relevante para un founder no es el modelo en sí, sino lo que viene con él: embeddings ya calculados para todo el mundo, publicados abiertamente, y un explorador web que funciona sin registro y sin GPU.

Hasta ahora, usar OlmoEarth implicaba hacer fine-tuning en OlmoEarth Studio: entrenar un modelo por tarea, con acceso a GPU y con la necesidad de descargar y almacenar las imágenes satelitales. El enfoque de embeddings cambia la ecuación. Comprime los datos satelitales en características listas para reutilizar, de modo que un mapa de cultivos, un mapa de cobertura del suelo o un análisis de cambio se vuelven un problema ligero de modelado: entrenas un clasificador pequeño encima y lo corres en local.

Cómo funciona: de píxeles a vectores reutilizables

El pipeline es directo. Un vision transformer lee los datos satelitales, un Attention Pooler los agrupa en un vector por parche de terreno y una capa lineal reduce ese vector a 128 números. Según la model card recogida por Unite.AI, OlmoEarth-v1_3-Base es un modelo fundacional ViT-Base de 128 millones de parámetros para teledetección sobre imágenes de Sentinel-1, Sentinel-2 y Landsat, e incluye un Perceiver de 14,3 millones de parámetros y un estudiante lineal de 0,1 millones que proyecta tokens de 768 dimensiones a 128.

El detalle técnico que abarata todo: el informe describe una destilación estilo Matryoshka cuyo estudiante es una sola capa lineal entrenada junto al backbone en el mismo forward pass, lo que según el propio informe hace que la destilación sea prácticamente gratis. Además, correr el transformer a resolución de encoder de 20 metros con salida a 10 metros es 7,7 veces más barato que correrlo a 10 metros: 308 frente a 2.378 GMACs por ventana.

Los números de la evaluación: 20 de 27 pruebas

Ai2 evaluó los embeddings de v1.3 contra AlphaEarth Foundations (AEF) y Tessera v2 en 27 evaluaciones que cubren seis continentes. Los resultados, según Unite.AI:

• Los embeddings de 128 dimensiones obtuvieron el puntaje más alto en 20 de 27 evaluaciones y el mejor ranking global.
• La versión de 64 dimensiones, con la mitad de tamaño, lideró en 18 de 27.
• En el dataset de tipos de cultivo PASTIS, la versión de 128 dimensiones superó ligeramente a Tessera v2, con 58,6 frente a 58,3 mIoU.
• En 7 de los 8 datasets de AEF, los embeddings superaron a ambos baselines. La excepción fue Etiopía, donde Tessera v2 quedó por delante.

La novedad metodológica es PLANTEUR, un benchmark de tipos de cultivo para agricultura tropical construido con etiquetas de la Francia de ultramar (Martinica, Reunión, Guayana Francesa, Guadalupe y Mayotte). Su diseño leave-one-island-out prueba el desempeño en una isla cuando los clasificadores se entrenaron en las demás. Ahí los embeddings de 128 dimensiones registraron 24,9 mIoU, frente a 19,1 de Tessera v2 y 15,8 de AlphaEarth Foundations. La conclusión práctica: generalizan mejor a lugares que un clasificador nunca vio.

El caso de Madre de Dios: minería ilegal visible en los vectores

El ejemplo que abre la historia interactiva es la minería ilegal de oro en Madre de Dios, Perú. Según el programa de monitoreo MAAP de Amazon Conservation, la actividad alrededor de La Pampa alcanzó su pico en 2017 y 2018 y deforestó más de 1.200 hectáreas en la zona de amortiguamiento de la Reserva Nacional Tambopata. En febrero de 2019, la Operación Mercurio desarticuló la mayor parte.

La pregunta que quedó abierta fue si se mantuvo a raya. Los embeddings ayudan a responderla sin entrenar ningún modelo: basta comparar el vector de cada píxel entre años. La comparación 2017–2020 ilumina la expansión hacia el sureste; la de 2020–2025 muestra que el foco se movió a la zona minera antigua, en parte por regeneración y en parte por nueva excavación. Según MAAP, algunos focos del noroeste siguieron operando. En agosto de 2026, Associated Press reportó que Perú volvió a enviar patrullas navales a la reserva después de que fiscales detectaran que la minería cruzó hacia Tambopata.

Cuánto cuesta entrenar y por qué la eficiencia es la noticia

OlmoEarth v1.3 es el modelo más barato de entrenar de la familia. Requirió 53% del tiempo de cómputo de v1.2 y 18% del de v1, con 50% y 22% de las emisiones de carbono respectivamente. El informe de impacto ambiental lista el preentrenamiento de v1.3 Base en 539 horas de GPU H100, 161 kWh y 0,07 tCO2eq, frente a 1.012 horas y 0,14 tCO2eq de v1.2 y 2.989 horas y 0,32 tCO2eq de v1. Reproducir el preentrenamiento costaría aproximadamente US$2.720 de tiempo de H100 alquilado para la corrida final.

Hay un contraste importante: calcular los embeddings es mucho más caro que entrenar el modelo. El informe estima 14.000 horas de H100 por año de embeddings globales, unas 26 veces el costo del preentrenamiento. Eso explica por qué el valor real está en que Ai2 ya los haya calculado y los comparta.

El archivo detrás del explorador guarda embeddings a 10 metros, unos 150 TB por año, y cubre tierra y aguas costeras adyacentes. Al lanzamiento, 2025, 2024 y 2023 son globales, mientras que 2017 a 2022 cubren países seleccionados. El dataset completo 2017–2025 supera el petabyte, con cobertura de 59,5° sur a 83,6° norte y sin Antártida. Se aloja en Source Cooperative como un store Zarr legible directamente desde object storage, sin API key ni tile server. Las tablas de procedencia en GeoParquet listan las escenas de Sentinel-1, Sentinel-2 y Landsat detrás de cada tile de 20 kilómetros: para 2025, el informe registra unas 450.000 ventanas, 21 millones de entradas de mosaico y 730.000 escenas.

¿Qué significa esto para tu startup?

La barrera de entrada a la analítica geoespacial acaba de bajar de forma concreta. Antes, validar una idea contra OlmoEarth significaba una corrida de fine-tuning de horas. En el explorador, una primera pasada toma segundos y permite analizar regiones enteras a partir de un puñado de etiquetas, sin GPU.

Dos acciones que puedes ejecutar esta semana:

• Prueba tu hipótesis de negocio en el Embeddings Explorer antes de gastar en cómputo. Si trabajas en agtech, seguros paramétricos, monitoreo ambiental o trazabilidad de commodities, puedes etiquetar unos pocos puntos, entrenar un clasificador en el navegador y exportar el resultado como GeoTIFF. Ese prototipo te sirve para hablar con clientes o inversores sin haber escrito una línea de infraestructura.
• Usa los embeddings como filtro de decisión para el fine-tuning. Si el clasificador ligero ya resuelve tu caso, ahorras el costo de entrenar. Si no, los embeddings te dicen dónde falla el modelo y si la tarea justifica el gasto en GPU. Con la referencia de US$2.720 para reproducir el preentrenamiento y 14.000 horas de H100 por año de embeddings globales, tienes un orden de magnitud real para tus propias estimaciones.

Un punto que conviene leer con atención antes de construir encima: la OlmoEarth Artifact License restringe el uso para aplicaciones militares, de defensa y de industrias extractivas, y la model card indica que el modelo debe usarse conforme a las Responsible Use Guidelines de Ai2. Si tu producto toca alguno de esos sectores, revisa la licencia antes de invertir tiempo de ingeniería.

Para ventanas temporales específicas, OlmoEarth Studio corre el mismo modelo sobre las fechas, modalidades y resolución que elijas, y hay un tutorial para generar embeddings en tu propio cómputo. La combinación razonable es explorar primero, hacer fine-tuning solo cuando la tarea lo exija y construir el producto desde ahí.

Fuentes

• OlmoEarth v1.3: State-of-the-art embeddings for the whole planet (fuente original)
• Ai2 Releases OlmoEarth V1.3 With Global 10M Satellite Embeddings