OlmoEarth v1.1 reduce hasta 3x el coste de IA
Ai2 presenta OlmoEarth v1.1, una familia de modelos para analizar imágenes de satélite con hasta tres veces menos computación que la versión anterior. Mantiene un rendimiento similar en varias pruebas, aunque puede presentar regresiones en algunas tareas concretas.
Allen Institute for AI (Ai2) presenta OlmoEarth v1.1, una nueva familia de modelos que analiza imágenes de satélite con hasta tres veces menos computación que la versión anterior, según sus creadores.
La herramienta está diseñada para tareas como seguir la evolución de los manglares, identificar las causas de la pérdida de bosques o crear mapas de cultivos a escala nacional. Su primera versión, publicada en noviembre de 2025, ya se había utilizado en proyectos de alcance nacional, continental y global.
El objetivo de esta actualización es práctico: hacer que esos análisis sean más rápidos y baratos. Cuando un modelo procesa imágenes que cubren decenas o cientos de miles de kilómetros cuadrados, el mayor coste suele estar en la computación necesaria para preparar los datos, ejecutar el modelo y procesar los resultados.
Menos datos repetidos, menos coste
OlmoEarth utiliza una arquitectura llamada transformer, habitual en los sistemas modernos de IA. Para trabajar con imágenes de satélite, primero convierte los datos en pequeñas unidades llamadas tokens, que el modelo puede procesar.
En las imágenes de Sentinel-2, uno de los satélites más usados para observar la superficie terrestre, la versión anterior generaba tokens separados para cada resolución espacial. Como Sentinel-2 ofrece tres resoluciones principales, una misma zona podía producir tres tokens por cada momento de observación.
OlmoEarth v1.1 combina esas resoluciones en un solo token. El resultado es una secuencia hasta tres veces más corta. Esto importa porque el coste de los transformers crece de forma cuadrática cuando aumenta la longitud de la secuencia: reducir los tokens no solo elimina trabajo, sino que puede reducirlo de manera considerable.
El cambio no era tan sencillo como juntar los datos. Las primeras pruebas provocaron una caída de 10 puntos porcentuales en m-Eurosat kNN, una prueba habitual para evaluar modelos de observación terrestre. Ai2 modificó el proceso de entrenamiento para recuperar el rendimiento perdido.
Qué cambia para quienes usan el modelo
La nueva familia mantiene un rendimiento similar al de OlmoEarth v1 en una combinación de pruebas de investigación y tareas creadas con organizaciones colaboradoras. La promesa principal es que cada tamaño del modelo puede ejecutarse con hasta un tercio del coste computacional anterior.
Eso puede traducirse en:
- Actualizar mapas de bosques o cultivos con más frecuencia.
- Procesar territorios grandes sin esperar tanto.
- Reducir el gasto de ajuste y ejecución del modelo.
- Facilitar el uso de IA geoespacial a equipos con menos infraestructura.
Ai2 advierte que sí existen algunas regresiones en determinadas tareas. Por eso, quienes ya utilizan la familia original deberán comprobar si OlmoEarth v1.1 funciona igual de bien con sus propios datos antes de migrar.
La actualización incluye modelos Base, Tiny y Nano, además de sus pesos ya entrenados y el código necesario para entrenarlos. La versión también usa el mismo conjunto de datos que OlmoEarth v1, lo que permite a los investigadores estudiar mejor cuánto del cambio se debe a la arquitectura y cuánto al método de entrenamiento.
La idea de fondo es sencilla: observar el planeta con IA no depende solo de que el modelo acierte, sino de que pueda ejecutarse a una escala útil. Si OlmoEarth v1.1 mantiene su precisión en más casos, el siguiente paso será renovar mapas globales con mayor frecuencia y a un coste que más organizaciones puedan asumir.