OlmoEarth v1.1: Allen AI lanza modelos satelitales que cuestan 3 veces menos

Allen AI ha presentado OlmoEarth v1.1, una familia actualizada de modelos transformer para analizar imágenes satelitales de Sentinel-2. El resultado principal: el coste computacional cayó 3 veces, mientras que la calidad se mantiene al nivel de la versión anterior.

Cómo cambió la eficiencia

OlmoEarth v1 salió en noviembre de 2025 y atrajo rápidamente la atención de investigadores y desarrolladores. El modelo funcionaba bien: clasificación precisa de imágenes forestales, identificación fiable de tipos de cultivos, seguimiento de manglares. Pero había un cuello de botella: el coste computacional de la inferencia era una barrera notable para desplegarlo en países con presupuestos limitados.

OlmoEarth v1.1 está disponible en tres tamaños: Base, Tiny y Nano. Allen AI logró mantener el rendimiento con una reducción significativa del coste de cómputo. Esto debería hacer el modelo más accesible para empresas y grupos de investigación que quieren actualizar con frecuencia los mapas satelitales del planeta.

La solución técnica: tokenización rediseñada

La clave de la eficiencia está en cómo se codifican los datos satelitales en tokens para el transformer. En la OlmoEarth v1 original, cada resolución del satélite (había tres: 10 m, 20 m y 60 m) se codificaba por separado. Los datos de Sentinel-2 tienen la forma [H, W, T, D=12], donde H y W son las dimensiones espaciales, T es el número de pasos temporales y D es el número de bandas espectrales. Cada parche de imagen en cada instante generaba 3 tokens independientes.

Allen AI rehízo el enfoque de forma radical: ahora todas las resoluciones se fusionan en un solo token por parche e instante. Eso redujo de inmediato el número de tokens 3 veces. Es crucial para los transformers, porque su coste computacional crece de forma cuadrática con la longitud de la secuencia: la mitad de tokens implica cuatro veces menos memoria y tiempo.

Pero había un riesgo. Cuando el equipo simplemente unió los tokens por primera vez, la calidad cayó 10 puntos porcentuales en la prueba m-eurosat (reconocimiento de tipos de suelo). La fusión directa de bandas espectrales distintas destruía relaciones relevantes de los datos.

Allen AI resolvió el problema rediseñando el método de preentrenamiento. El modelo aprende ahora a partir de un único token, pero conserva la comprensión de las relaciones entre las distintas bandas espectrales pese a haberlas unido.

Qué se logró en la práctica

La inferencia con OlmoEarth v1.1 es un 70% más barata y rápida que con la versión original. Para los desarrolladores significa pagar menos a los proveedores de nube por GPU, actualizar mapas más rápido y experimentar con nuevos conjuntos de datos a menor coste.

Para los investigadores, la nueva versión es valiosa por otra razón. Es un experimento controlado: solo cambia una cosa, el diseño de los tokens, y todo lo demás (conjuntos de datos, enfoque de entrenamiento, arquitectura base) permanece igual. Experimentos así ayudan a entender qué componentes son realmente críticos:

• Qué aspectos de la arquitectura transformer influyen en el resultado
• Cómo afecta la calidad del conjunto de datos de preentrenamiento
• Qué métodos de preentrenamiento son más eficaces
• Cómo equilibrar el tamaño del modelo y la calidad

Qué viene ahora

Los modelos ya están desplegados en proyectos reales en todo el mundo. Empresas asociadas usan OlmoEarth para rastrear la degradación forestal en los trópicos, monitorear cambios en los manglares e identificar tipos de cultivos. Cada una de estas aplicaciones es crítica para la conservación y la planificación del uso del suelo.

Allen AI ha publicado en abierto no solo los modelos, sino también el código de entrenamiento. Esto permite a los investigadores reproducir los resultados, comprender a fondo los detalles del método de preentrenamiento y desarrollar sus propias variantes de arquitectura a partir del enfoque publicado. Los modelos están disponibles en tres tamaños (Base, Tiny, Nano), lo que permite elegir el mejor equilibrio entre calidad y velocidad para cada tarea.

Qué significa

La IA satelital pasa de ser un campo de investigación especializado a una herramienta de uso masivo. Más barato significa más accesible y despliegue más rápido. Para las empresas que construyen servicios sobre datos satelitales, esto abre una nueva categoría de precios: se pueden procesar millones de imágenes de forma más económica y actualizar los mapas globales con más frecuencia. Para los países con economías en desarrollo, donde el monitoreo ambiental es crítico pero los presupuestos son limitados, puede ser un factor decisivo.