OlmoEarth v1.1: Allen AI lança modelos de satélite 3 vezes mais baratos

A Allen AI apresentou o OlmoEarth v1.1, uma família atualizada de modelos transformer para analisar imagens de satélite do Sentinel-2. O principal resultado: o custo computacional caiu 3 vezes, enquanto a qualidade se mantém no nível da versão anterior.

Como a eficiência mudou

O OlmoEarth v1 foi lançado em novembro de 2025 e logo chamou a atenção de pesquisadores e desenvolvedores. O modelo funcionava bem: classificação precisa de imagens florestais, identificação confiável de tipos de cultura, monitoramento de manguezais. Mas havia um gargalo: o custo computacional da inferência era uma barreira considerável para a implantação em países com orçamento limitado.

O OlmoEarth v1.1 está disponível em três tamanhos: Base, Tiny e Nano. A Allen AI conseguiu manter o desempenho com uma redução significativa do custo de computação. Isso deve tornar o modelo mais acessível a empresas e grupos de pesquisa que querem atualizar com frequência os mapas de satélite do planeta.

A solução técnica: tokenização reformulada

A chave da eficiência está em como os dados de satélite são codificados em tokens para o transformer. No OlmoEarth v1 original, cada resolução do satélite (eram três: 10 m, 20 m e 60 m) era codificada separadamente. Os dados do Sentinel-2 têm formato [H, W, T, D=12], em que H e W são as dimensões espaciais, T é o número de passos de tempo e D é o número de bandas espectrais. Cada patch da imagem em cada instante gerava 3 tokens separados.

A Allen AI refez a abordagem de forma radical: agora todas as resoluções são fundidas em um único token por patch e por instante. Isso reduziu de imediato o número de tokens em 3 vezes. É decisivo para transformers, porque o custo computacional cresce de forma quadrática com o comprimento da sequência: metade dos tokens significa quatro vezes menos memória e tempo.

Mas havia um risco. Quando a equipe simplesmente uniu os tokens pela primeira vez, a qualidade caiu 10 pontos percentuais no teste m-eurosat (reconhecimento de tipos de terreno). A fusão bruta de bandas espectrais diferentes destruía relações relevantes dos dados.

A Allen AI resolveu o problema reformulando o método de pré-treinamento. O modelo agora aprende a partir de um único token, mas mantém a compreensão das relações entre as diferentes bandas espectrais, apesar da fusão.

O que mudou na prática

A inferência no OlmoEarth v1.1 é 70% mais barata e rápida do que na versão original. Para os desenvolvedores, isso significa pagar menos aos provedores de nuvem por GPU, atualizar mapas mais rápido e experimentar novos datasets a um custo menor.

Para os pesquisadores, a nova versão tem outro valor. É um experimento controlado: muda apenas uma coisa, o design dos tokens, e todo o resto (datasets, abordagem de treinamento, arquitetura central) permanece igual. Experimentos assim ajudam a entender quais componentes são realmente críticos:

• Quais aspectos da arquitetura transformer influenciam o resultado
• Como a qualidade do dataset de pré-treinamento afeta o desempenho
• Quais métodos de pré-treinamento são mais eficazes
• Como equilibrar tamanho do modelo e qualidade

O que vem a seguir

Os modelos já estão em uso em projetos reais pelo mundo. Empresas parceiras usam o OlmoEarth para monitorar a degradação florestal nos trópicos, acompanhar mudanças nos manguezais e identificar tipos de cultura agrícola. Cada uma dessas aplicações é crítica para a conservação e o planejamento do uso da terra.

A Allen AI abriu não só os modelos, mas também o código de treinamento. Isso permite que pesquisadores reproduzam os resultados, entendam por completo os detalhes do método de pré-treinamento e desenvolvam suas próprias variantes de arquitetura a partir da abordagem publicada. Os modelos estão disponíveis em três tamanhos (Base, Tiny, Nano), o que permite escolher o melhor equilíbrio entre qualidade e velocidade para cada tarefa.

O que isso significa

A IA de satélite deixa de ser uma área restrita de pesquisa e vira uma ferramenta de uso em massa. Mais barato significa mais acessível e implantação mais rápida. Para empresas que constroem serviços com dados de satélite, isso abre uma nova faixa de preço: milhões de imagens podem ser processadas de forma mais econômica e os mapas globais, atualizados com mais frequência. Para países em desenvolvimento, onde o monitoramento ambiental é crítico mas os orçamentos são limitados, isso pode ser um fator decisivo.