{"id":20207,"date":"2026-09-29T09:49:07","date_gmt":"2026-09-29T13:49:07","guid":{"rendered":"https:\/\/wp.glbgpt.com\/?p=20207"},"modified":"2026-09-29T09:49:08","modified_gmt":"2026-09-29T13:49:08","slug":"nasa-ibm-lunar-foundation-model","status":"publish","type":"post","link":"https:\/\/wp.glbgpt.com\/de\/hub\/nasa-ibm-lunar-foundation-model","title":{"rendered":"Das Lunar Foundation Model von NASA und IBM: Anwendungsbereiche, Ergebnisse und Zugriff"},"content":{"rendered":"<p class=\"wp-block-paragraph\"><strong>Das NASA-IBM Lunar Foundation Model ist ein offenes KI-Modell zur Analyse von Mondbeobachtungen.<\/strong> Wie am 10. September 2026 bekannt gegeben wurde, l\u00e4sst sich das Verfahren so anpassen, dass es Krater erkennt, vulkanische Strukturen umrei\u00dft und Muster in einer Karte zur Eisvorkommenswahrscheinlichkeit vorhersagt. Die gemeldeten Fortschritte beziehen sich auf spezifische Forschungsma\u00dfst\u00e4be: Das wichtigste Ergebnis in Bezug auf Eis ist ein geringerer Vorhersagefehler, nicht die Entdeckung von 22% mehr Wasser auf dem Mond.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">F\u00fcr Studierende und Forscher sind die folgenden Punkte n\u00fctzliche Anhaltspunkte: <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">offizielle Modellkarte<\/a>, den technischen Bericht und den ver\u00f6ffentlichten Code. Zusammen erl\u00e4utern sie, was das Modell gelernt hat, welche Aufgaben bewertet wurden und was Sie ben\u00f6tigen, um Ihr eigenes Experiment durchzuf\u00fchren.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wenn es bei Ihrer ersten Aufgabe darum geht, die Forschungsergebnisse zu verstehen, <a href=\"https:\/\/www.glbgpt.com\/home?inviter=hub_content_home&amp;login=1\">GlobalGPT<\/a> vereint die Suche nach Quellen, die Analyse von Dokumenten, das logische Schlussfolgern und das Verfassen von Texten in einem einzigen, multimodalen Arbeitsbereich. Es bietet eine kosteng\u00fcnstige M\u00f6glichkeit, mit einem einzigen Abonnement von unbekannten wissenschaftlichen Begriffen zu einem klaren Forschungsauftrag zu gelangen.<\/p>\n\n\n\n<div class=\"wp-block-group is-layout-constrained wp-block-group-is-layout-constrained\">\n<figure class=\"wp-block-image size-large\"><img fetchpriority=\"high\" decoding=\"async\" width=\"1024\" height=\"645\" src=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/07\/glb-1024x645.png\" alt=\"globalgpt-Dashboard\" class=\"wp-image-19280\" srcset=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/07\/glb-1024x645.png 1024w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/07\/glb-300x189.png 300w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/07\/glb-18x11.png 18w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/07\/glb-767x483.png 767w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/07\/glb-1536x967.png 1536w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/07\/glb-2048x1289.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<div class=\"wp-block-buttons is-content-justification-center is-layout-flex wp-container-core-buttons-is-layout-3e41869c wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link has-black-color has-text-color has-background has-link-color wp-element-button\" href=\"https:\/\/www.glbgpt.com\/home?inviter=hub_popup&amp;login=1\" style=\"background:linear-gradient(135deg,rgba(250,183,0,0.55) 0%,rgba(255,106,0,0.66) 96%)\"><strong>Probieren Sie \u00fcber 100 Top-Modelle auf GlobalGPT aus<\/strong><\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n<nav class=\"glb-lunar-toc\" aria-label=\"Inhaltsverzeichnis\" style=\"box-sizing:border-box;margin:32px 0;padding:22px;border:1px solid #b9cbd7;border-radius:6px;background:#f4f8fb;color:#173b4b;max-width:100%;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><p class=\"glb-lunar-toc-title\" style=\"box-sizing:border-box;margin:0 0 14px;font-size:1.05rem;font-weight:750;color:#173b4b\">Entdecke das Mondmodell<\/p><ol style=\"box-sizing:border-box;display:grid;grid-template-columns:repeat(auto-fit,minmax(min(100%,220px),1fr));gap:10px 30px;padding-left:23px;margin:0\"><li style=\"box-sizing:border-box;margin:0;line-height:1.55;color:#274756\"><a href=\"#what-is-it\" style=\"box-sizing:border-box;color:#12516a;text-decoration:underline;text-underline-offset:3px;overflow-wrap:anywhere\">Was ist das \u201eLunar Foundation Model\u201c der NASA und IBM?<\/a><\/li><li style=\"box-sizing:border-box;margin:0;line-height:1.55;color:#274756\"><a href=\"#data-and-design\" style=\"box-sizing:border-box;color:#12516a;text-decoration:underline;text-underline-offset:3px;overflow-wrap:anywhere\">Aus welchen Daten lernt es?<\/a><\/li><li style=\"box-sizing:border-box;margin:0;line-height:1.55;color:#274756\"><a href=\"#what-it-can-do\" style=\"box-sizing:border-box;color:#12516a;text-decoration:underline;text-underline-offset:3px;overflow-wrap:anywhere\">Drei Aufgaben, bei denen es helfen kann<\/a><\/li><li style=\"box-sizing:border-box;margin:0;line-height:1.55;color:#274756\"><a href=\"#benchmarks\" style=\"box-sizing:border-box;color:#12516a;text-decoration:underline;text-underline-offset:3px;overflow-wrap:anywhere\">Was die Benchmark-Ergebnisse bedeuten<\/a><\/li><li style=\"box-sizing:border-box;margin:0;line-height:1.55;color:#274756\"><a href=\"#access-and-cost\" style=\"box-sizing:border-box;color:#12516a;text-decoration:underline;text-underline-offset:3px;overflow-wrap:anywhere\">Wo ist es erh\u00e4ltlich und wie hoch sind die Zugangsgeb\u00fchren?<\/a><\/li><li style=\"box-sizing:border-box;margin:0;line-height:1.55;color:#274756\"><a href=\"#research-workflow\" style=\"box-sizing:border-box;color:#12516a;text-decoration:underline;text-underline-offset:3px;overflow-wrap:anywhere\">Nutzen Sie KI, um die Forschungsergebnisse zu verstehen<\/a><\/li><li style=\"box-sizing:border-box;margin:0;line-height:1.55;color:#274756\"><a href=\"#limitations\" style=\"box-sizing:border-box;color:#12516a;text-decoration:underline;text-underline-offset:3px;overflow-wrap:anywhere\">Grenzwerte, die in der Praxis von Bedeutung sind<\/a><\/li><li style=\"box-sizing:border-box;margin:0;line-height:1.55;color:#274756\"><a href=\"#faq\" style=\"box-sizing:border-box;color:#12516a;text-decoration:underline;text-underline-offset:3px;overflow-wrap:anywhere\">H\u00e4ufig gestellte Fragen<\/a><\/li><\/ol><\/nav>\n\n\n\n<h2 id=\"what-is-it\" class=\"wp-block-heading\">Was ist das \u201eLunar Foundation Model\u201c der NASA und IBM?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"https:\/\/science.nasa.gov\/science-research\/artificial-intelligence-lunar-foundation-model\/\">Die Ank\u00fcndigung der NASA<\/a> stellt das Projekt als ein gemeinsam mit IBM entwickeltes Grundmodell f\u00fcr die Mondforschung vor. Ein Grundmodell lernt wiederverwendbare Muster aus einer umfangreichen Datensammlung; Forscher passen diese Muster anschlie\u00dfend an eine spezifischere Aufgabe an. In diesem Fall handelt es sich bei dem Material nicht um Alltagssprache, sondern um Fernerkundungsdaten vom Mond.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das LFM-System der NASA und IBM nutzt einen Vision-Transformer-Encoder und -Decoder mit einer ViT-B-Architektur. Zu seinen Eingaben geh\u00f6ren Bilddaten und andere Beobachtungsprodukte mit unterschiedlichen r\u00e4umlichen Aufl\u00f6sungen. Wissenschaftler k\u00f6nnen die daraus resultierende Darstellung f\u00fcr die Erkennung, Segmentierung oder Regression anpassen \u2013 drei Methoden zum Auffinden von Objekten, zum Umrei\u00dfen von Bereichen und zum Vorhersagen numerischer Werte.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" width=\"1440\" height=\"900\" src=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/nasa-lunar-announcement-20260928_78ea7b61cc404657b5112e2a8bea709a.webp\" alt=\"Ank\u00fcndigung der NASA zur Vorstellung des \u201eNASA-IBM Lunar Foundation Model\u201c f\u00fcr die Mondforschung.\" class=\"wp-image-20212\" srcset=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/nasa-lunar-announcement-20260928_78ea7b61cc404657b5112e2a8bea709a.webp 1440w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/nasa-lunar-announcement-20260928_78ea7b61cc404657b5112e2a8bea709a-300x188.webp 300w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/nasa-lunar-announcement-20260928_78ea7b61cc404657b5112e2a8bea709a-1024x640.webp 1024w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/nasa-lunar-announcement-20260928_78ea7b61cc404657b5112e2a8bea709a-768x480.webp 768w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/nasa-lunar-announcement-20260928_78ea7b61cc404657b5112e2a8bea709a-18x12.webp 18w\" sizes=\"(max-width: 1440px) 100vw, 1440px\" \/><figcaption class=\"wp-element-caption\"><a href=\"https:\/\/science.nasa.gov\/science-research\/artificial-intelligence-lunar-foundation-model\/\">Die NASA stellte das Mondmodell vor<\/a> am 10. September 2026, mit \u00f6ffentlichem Zugriff auf Modelle und Code.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Dadurch ist diese Ver\u00f6ffentlichung f\u00fcr Teams, die mit Mondkarten arbeiten, sowie f\u00fcr Studierende, die sich mit maschinellem Lernen im Bereich der Planetenforschung besch\u00e4ftigen, von Nutzen. Auch f\u00fcr alle, die verstehen m\u00f6chten, wie ein wissenschaftliches KI-Modell evaluiert wird, lohnt es sich, das Projekt zu lesen. Die Verwendung des Checkpoints ist jedoch eher ein Forschungs-Computing-Workflow als eine Chat-Konversation.<\/p>\n\n\n\n<h2 id=\"data-and-design\" class=\"wp-block-heading\">Aus welchen Daten lernt es?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">Modellkarte<\/a> beschreibt die SomBench-Trainingsdaten: 963.609 Kachelb\u00fcndel der Weitwinkelkamera (WAC) und 1.000.113 Kachelb\u00fcndel der Schmalwinkelkamera (NAC). Der Ma\u00dfstab der WAC-Bilder betr\u00e4gt etwa 100 Meter pro Pixel; der Ma\u00dfstab der NAC-Bilder betr\u00e4gt etwa 1 Meter pro Pixel. Dadurch erh\u00e4lt das Modell anhand von rund zwei Millionen Bildb\u00fcndeln sowohl einen umfassenderen Gel\u00e4ndekontext als auch wesentlich feinere Oberfl\u00e4chendetails.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"https:\/\/newsroom.ibm.com\/2026-09-10-ibm-and-nasa-release-open-source-ai-model-to-support-lunar-exploration\">IBM beschreibt die umfassendere Datenressource<\/a> als mehr als 30 abgeglichene Ebenen aus neun Instrumenten im Rahmen von vier Missionen. Die Modellkarte gibt 11 Eingabemodalit\u00e4ten an. Diese Abbildungen beschreiben verschiedene Phasen der Datenpipeline: Quell-Ebenen, gepackte Trainingsbeispiele und die Arten von Eingaben, die das Modell kodiert.<\/p>\n\n\n\n<section class=\"glb-lunar-data\" aria-label=\"Monddaten und Modellparameter\" style=\"box-sizing:border-box;margin:28px 0;padding:24px;background:#f1f6f5;border:1px solid #bad0cb;border-radius:6px;color:#183d38;max-width:100%;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><p class=\"glb-lunar-data-title\" style=\"box-sizing:border-box;color:#173e37;line-height:1.6;margin:0 0 18px;font-weight:750;font-size:1.2rem\">Ein Projekt, drei verschiedene Z\u00e4hleinheiten<\/p><div class=\"glb-lunar-data-grid\" style=\"box-sizing:border-box;display:grid;grid-template-columns:repeat(auto-fit,minmax(min(100%,220px),1fr));gap:12px\"><div class=\"glb-lunar-data-step\" style=\"box-sizing:border-box;min-width:0;background:#fff;border:1px solid #c2d5cf;padding:16px;border-radius:4px\"><span class=\"glb-lunar-data-number\" style=\"box-sizing:border-box;display:block;color:#12594d;font-size:1.55rem;font-weight:750;margin-bottom:8px\">\u00dcber 30 Quell-Ebenen<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">IBM beschreibt eine Datenquelle, die aus den Daten von neun Instrumenten aus vier Missionen zusammengestellt wurde.<\/p><\/div><div class=\"glb-lunar-data-step\" style=\"box-sizing:border-box;min-width:0;background:#fff;border:1px solid #c2d5cf;padding:16px;border-radius:4px\"><span class=\"glb-lunar-data-number\" style=\"box-sizing:border-box;display:block;color:#12594d;font-size:1.55rem;font-weight:750;margin-bottom:8px\">1.963.722 B\u00fcndel<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">963.609 WAC-Pakete und 1.000.113 NAC-Pakete bieten Schulungsmaterial in zwei Umfangsstufen.<\/p><\/div><div class=\"glb-lunar-data-step\" style=\"box-sizing:border-box;min-width:0;background:#fff;border:1px solid #c2d5cf;padding:16px;border-radius:4px\"><span class=\"glb-lunar-data-number\" style=\"box-sizing:border-box;display:block;color:#12594d;font-size:1.55rem;font-weight:750;margin-bottom:8px\">11 Eingabemodalit\u00e4ten<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">Das Modell ber\u00fccksichtigt verschiedene Arten von Beobachtungsdaten, darunter Bilddaten und Gel\u00e4ndedaten.<\/p><\/div><\/div><p class=\"glb-lunar-data-note\" style=\"box-sizing:border-box;color:#35584f;line-height:1.6;margin:16px 0 0;font-size:.9rem\">Quell-Ebenen, Kachelb\u00fcndel und Eingabemodalit\u00e4ten beziehen sich auf unterschiedliche Dinge. Quellen: <a href=\"https:\/\/newsroom.ibm.com\/2026-09-10-ibm-and-nasa-release-open-source-ai-model-to-support-lunar-exploration\" style=\"box-sizing:border-box;color:#10594e;text-decoration:underline\">Beschreibung des IBM-Datensatzes<\/a> und die <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\" style=\"box-sizing:border-box;color:#10594e;text-decoration:underline\">offizielle Modellkarte<\/a>.<\/p><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Auch die Beleuchtung ist Teil des Designs. Das Modell erh\u00e4lt Beobachtungsgeometrien, einschlie\u00dflich Beleuchtungswinkeln, als expliziten Kontext. Dies hilft dabei, das Aussehen einer Oberfl\u00e4che unter bestimmten Lichtverh\u00e4ltnissen von den zugrunde liegenden Gel\u00e4ndemustern, die es lernt, zu unterscheiden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ein Pixel, das etwa 100 Meter Gel\u00e4nde darstellt, kann nicht dieselben Details wiedergeben wie ein Pixel, das etwa 1 Meter darstellt. Aus diesem Grund verdienen die Ergebnisse der WAC- und NAC-Kameras gesonderte Beachtung. Ein Gewinn bei gro\u00dffl\u00e4chigen Aufnahmen bedeutet nicht zwangsl\u00e4ufig denselben Gewinn bei kleinen Oberfl\u00e4chenmerkmalen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das Projekt folgt dem TerraMind-Vortrainingsansatz, trainiert jedoch von Grund auf mit Monddaten. Es sollte daher als ein speziell f\u00fcr Mondbeobachtungen entwickeltes Modell verstanden werden und nicht als ein unter neuem Namen firmierender Checkpoint f\u00fcr die Erdbeobachtung. Die entscheidende Frage ist, inwiefern die erlernte Repr\u00e4sentation bei einer bestimmten Mondaufgabe hilft.<\/p>\n\n\n\n<h2 id=\"what-it-can-do\" class=\"wp-block-heading\">Drei Aufgaben, bei denen es helfen kann<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die ver\u00f6ffentlichten Auswertungen decken drei Aufgabengruppen ab. Jede davon liefert eine andere Art von Antwort, sodass sich die Bedeutung von \u201cbesser\u201d je nach Aufgabe \u00e4ndert.<\/p>\n\n\n\n<div class=\"glb-lunar-table\" style=\"max-width:100%;overflow-x:auto;margin:28px 0;border:1px solid #c9d6df;border-radius:4px;box-sizing:border-box;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><table style=\"border-collapse:collapse;width:100%;min-width:590px;font-size:.94rem;line-height:1.6\"><thead><tr><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Aufgabe<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Ausgabe<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Was das Ergebnis leisten kann<\/th><\/tr><\/thead><tbody><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Kratererkennung<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Begrenzungsrahmen um Krater in WAC- oder NAC-Aufnahmen<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Vergleich, wie gut ein Detektor markierte Krater erkennt und lokalisiert.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Unregelm\u00e4\u00dfige Segmentierung des \u201eMare Patch\u201c<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Eine auf Pixelebene detaillierte Darstellung der Oberfl\u00e4chenmerkmale von Vulkanen<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Untersuchung, inwieweit die vorhergesagten Bereiche mit den beschrifteten Merkmalsgrenzen \u00fcbereinstimmen.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Regression der Eisprospektivit\u00e4t in den Polarregionen<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Eine kontinuierliche Vorhersage einer wissensbasierten Prospektivit\u00e4tskarte<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Untersuchung der \u00dcbereinstimmung mit einem modellierten Zielwert f\u00fcr m\u00f6gliche eisbedingte Bedingungen.<\/td><\/tr><\/tbody><\/table><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Die Erkennung von Kratern und die Segmentierung vulkanischer Merkmale k\u00f6nnen Forschern dabei helfen, Bildmaterial zu ordnen und zu analysieren. Ihr Nutzen h\u00e4ngt von den Klassifikationen, dem Ma\u00dfstab und dem Untersuchungsgebiet ab. Ein Modell, das bei einem definierten Testdatensatz gute Ergebnisse liefert, muss dennoch anhand der Daten und der wissenschaftlichen Fragestellung eines neuen Projekts \u00fcberpr\u00fcft werden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Die Eisprospektivit\u00e4t erfordert eine \u00e4u\u00dferst sorgf\u00e4ltige Interpretation.<\/strong> Das Ziel ist eine wissensbasierte Karte, die aufzeigt, wo Eis wahrscheinlich vorkommt, und keine direkte Messung von Eisvorkommen. Eine bessere \u00dcbereinstimmung mit dieser Karte kann die Erforschung von Mustern und in Frage kommenden Regionen unterst\u00fctzen. Sie sagt uns jedoch nicht, dass eine zus\u00e4tzliche Wassermenge gefunden wurde.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img decoding=\"async\" width=\"760\" height=\"500\" src=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-intended-use-20260928_45c0828921cb4df7a9802ad5b4edb59a.webp\" alt=\"Offizielle Mondmodellkarte zur Beschreibung der Forschungsanwendungen und Grenzen von Vorhersagen zur Eisvorkommen.\" class=\"wp-image-20213\" srcset=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-intended-use-20260928_45c0828921cb4df7a9802ad5b4edb59a.webp 760w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-intended-use-20260928_45c0828921cb4df7a9802ad5b4edb59a-300x197.webp 300w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-intended-use-20260928_45c0828921cb4df7a9802ad5b4edb59a-18x12.webp 18w\" sizes=\"(max-width: 760px) 100vw, 760px\" \/><figcaption class=\"wp-element-caption\">Die <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">offizielle Modellkarte<\/a> definiert die Eisprospektivit\u00e4t als modelliertes Ziel und schlie\u00dft die Zertifizierung von Landepl\u00e4tzen aus.<\/figcaption><\/figure>\n\n\n\n<h2 id=\"benchmarks\" class=\"wp-block-heading\">Was die Benchmark-Ergebnisse bedeuten<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\">Technischer Bericht<\/a> liefert Mittelwerte und Standardabweichungen f\u00fcr f\u00fcnf zuf\u00e4llige Startwerte. Die Ergebnisse vergleichen angepasste Konfigurationen des Mondmodells mit benannten Basislinien des Sehmodells. Wir haben die ver\u00f6ffentlichten Tabellen \u00fcberpr\u00fcft; die Mond-Experimente haben wir nicht reproduziert.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Metriken beantworten unterschiedliche Fragen. Die mittlere durchschnittliche Pr\u00e4zision (mAP) bewertet die Objekterkennung; die Intersection over Union (IoU) misst die \u00dcberlappung zwischen vorhergesagten und beschrifteten Bereichen; der quadratische Mittelwertfehler (RMSE) misst den numerischen Vorhersagefehler. H\u00f6here mAP- und IoU-Werte sind besser, w\u00e4hrend ein niedrigerer RMSE-Wert besser ist. Sie sollten nicht zu einem einzigen Genauigkeitswert zusammengefasst werden.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"850\" height=\"680\" src=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-benchmarks-20260928_ce8b39a4f9d94857b7917f4ff77d7e9f.webp\" alt=\"Offizielle Vergleichstabelle, in der das Lunar-Modell mit auf ImageNet vortrainierten Baseline-Modellen verglichen wird.\" class=\"wp-image-20211\" srcset=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-benchmarks-20260928_ce8b39a4f9d94857b7917f4ff77d7e9f.webp 850w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-benchmarks-20260928_ce8b39a4f9d94857b7917f4ff77d7e9f-300x240.webp 300w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-benchmarks-20260928_ce8b39a4f9d94857b7917f4ff77d7e9f-768x614.webp 768w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-model-benchmarks-20260928_ce8b39a4f9d94857b7917f4ff77d7e9f-15x12.webp 15w\" sizes=\"(max-width: 850px) 100vw, 850px\" \/><figcaption class=\"wp-element-caption\">Die <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">Vergleichstabelle der Autoren<\/a> berichtet \u00fcber eine verbesserte Eissuchf\u00e4higkeit sowie vergleichbare Ergebnisse hinsichtlich Kratern und vulkanischen Formationen im Meterbereich.<\/figcaption><\/figure>\n\n\n\n<section class=\"glb-lunar-results\" aria-label=\"Von den Autoren angegebene Benchmark-Ergebnisse f\u00fcr Mondmodelle\" style=\"box-sizing:border-box;margin:30px 0;padding:24px;background:#102c3b;border:1px solid #244f61;border-radius:6px;color:#f0f7fa;font:inherit;max-width:100%;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><p class=\"glb-lunar-results-title\" style=\"box-sizing:border-box;color:#fff;line-height:1.35;margin:0 0 9px;font-size:1.3rem;font-weight:750\">Fehler bei der Eisprospektivit\u00e4t: der deutlichste gemeldete Zuwachs<\/p><p style=\"box-sizing:border-box;color:#e0edf3;line-height:1.65;margin:12px 0\">Der RMSE sank von <strong style=\"box-sizing:border-box;color:#fff\">0,0377 bis 0,0293<\/strong> gegen SwinV2-B, ein <strong style=\"box-sizing:border-box;color:#fff\">22,31 TP40T relative Reduktion<\/strong>. Ein niedrigerer RMSE-Wert bedeutet eine bessere \u00dcbereinstimmung mit der Eisprospektivit\u00e4tskarte des Referenzmodells.<\/p><div class=\"glb-lunar-results-bars\" style=\"box-sizing:border-box;margin:22px 0\"><div class=\"glb-lunar-results-label\" style=\"box-sizing:border-box;display:flex;justify-content:space-between;gap:12px;color:#e9f5f9;font-size:.94rem;margin:15px 0 7px\"><span style=\"box-sizing:border-box\">SwinV2-B \u00b7 Auf ImageNet vortrainiert<\/span><span style=\"box-sizing:border-box\">0,0377 \u00b1 0,0004<\/span><\/div><div class=\"glb-lunar-results-track\" aria-hidden=\"true\" style=\"box-sizing:border-box;height:15px;background:#264454;border-radius:2px\"><div class=\"glb-lunar-results-bar\" style=\"box-sizing:border-box;height:15px;background:#9bc9dd;border-radius:2px;width:100%\"><\/div><\/div><div class=\"glb-lunar-results-label\" style=\"box-sizing:border-box;display:flex;justify-content:space-between;gap:12px;color:#e9f5f9;font-size:.94rem;margin:15px 0 7px\"><span style=\"box-sizing:border-box\">NASA-IBM LFM \u00b7 vollst\u00e4ndige Feinabstimmung<\/span><span style=\"box-sizing:border-box\">0,0293 \u00b1 0,0013<\/span><\/div><div class=\"glb-lunar-results-track\" aria-hidden=\"true\" style=\"box-sizing:border-box;height:15px;background:#264454;border-radius:2px\"><div class=\"glb-lunar-results-bar glb-lunar-results-bar-lfm\" style=\"box-sizing:border-box;height:15px;background:#f5c56d;border-radius:2px;width:77.7188%\"><\/div><\/div><\/div><p class=\"glb-lunar-results-note\" style=\"box-sizing:border-box;color:#c7dce6;line-height:1.65;margin:12px 0;font-size:.89rem\">RMSE: Je niedriger, desto besser. Die Balken beginnen bei Null. Mittelwert \u00b1 Standardabweichung \u00fcber f\u00fcnf Seeds. Das Ziel ist eine modellierte Prospektivit\u00e4tskarte, keine Eismessung.<\/p><div class=\"glb-lunar-results-scroll\" role=\"region\" aria-label=\"Weitere Ergebnisse der Lunar-Benchmarks\" tabindex=\"0\" style=\"box-sizing:border-box;max-width:100%;overflow-x:auto;margin-top:22px\"><table style=\"box-sizing:border-box;border-collapse:collapse;width:100%;min-width:650px;color:#e4eff4;background:#102c3b;font-size:.86rem\"><thead style=\"box-sizing:border-box\"><tr style=\"box-sizing:border-box\"><th style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#fff;background:#1d3d4d;line-height:1.5;font-weight:700;border:1px solid #c6d6d0\">Aufgabe und Daten<\/th><th style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#fff;background:#1d3d4d;line-height:1.5;font-weight:700;border:1px solid #c6d6d0\">Metrisch \u2191<\/th><th style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#fff;background:#1d3d4d;line-height:1.5;font-weight:700;border:1px solid #c6d6d0\">Mondmodell<\/th><th style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#fff;background:#1d3d4d;line-height:1.5;font-weight:700;border:1px solid #c6d6d0\">Solide Ausgangsbasis<\/th><\/tr><\/thead><tbody style=\"box-sizing:border-box\"><tr style=\"box-sizing:border-box\"><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">WAC-Krater \u00b7 50%-Trainingsdaten<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">mAP<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">0,2541 \u00b1 0,0018<br style=\"box-sizing:border-box\">vollst\u00e4ndige Feinabstimmung<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">0,2313 \u00b1 0,0027<br style=\"box-sizing:border-box\">SwinV2-B<\/td><\/tr><tr style=\"box-sizing:border-box\"><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">WAC-Krater \u00b7 100%-Trainingsdaten<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">mAP<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">0,2581 \u00b1 0,0017<br style=\"box-sizing:border-box\">LoRA<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">0,2420 \u00b1 0,0047<br style=\"box-sizing:border-box\">SwinV2-B<\/td><\/tr><tr style=\"box-sizing:border-box\"><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">NAC-Krater \u00b7 100%-Trainingsdaten<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">mAP<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">0,1543 \u00b1 0,0098<br style=\"box-sizing:border-box\">LoRA<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">0,1552 \u00b1 0,0086<br style=\"box-sizing:border-box\">SwinV2-B<\/td><\/tr><tr style=\"box-sizing:border-box\"><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">Unregelm\u00e4\u00dfige Flecken bei Stuten<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">IoU1<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">0,5709 \u00b1 0,0114<br style=\"box-sizing:border-box\">eingefrorener Encoder<\/td><td style=\"box-sizing:border-box;padding:11px 10px;border-bottom:1px solid #38586a;text-align:left;vertical-align:top;color:#e4eff4;background:#102c3b;line-height:1.5;border:1px solid #c6d6d0\">0,5687 \u00b1 0,0181<br style=\"box-sizing:border-box\">ConvNeXtV2-B<\/td><\/tr><\/tbody><\/table><\/div><p style=\"box-sizing:border-box;color:#e0edf3;line-height:1.65;margin:12px 0\">Die Autoren beschreiben die Ergebnisse zu Kratern und vulkanischen Formationen im Meterbereich als mit soliden Referenzwerten vergleichbar. Die geringen Abweichungen sollten im Zusammenhang mit den Schwankungen zwischen den einzelnen Messdurchl\u00e4ufen betrachtet werden.<\/p><p class=\"glb-lunar-results-note\" style=\"box-sizing:border-box;color:#c7dce6;line-height:1.65;margin:12px 0;font-size:.89rem\">Quelle: <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\" style=\"box-sizing:border-box;color:#94dbf2;text-decoration:underline\">Technischer Bericht der NASA und IBM<\/a>, Tabellen 4\u20137, Seiten 16 und 18. Hierbei handelt es sich um die Ergebnisse der Autoren, nicht um eine unabh\u00e4ngige Reproduktion.<\/p><\/section>\n\n\n\n<h3 class=\"wp-block-heading\">Das Ergebnis \u201e22% ice\u201c bedeutet eine Verringerung des Fehlers<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Was das Eisvorkommen betrifft, weist die st\u00e4rkste gemeldete Mondkonfiguration einen RMSE von 0,0293 auf, gegen\u00fcber 0,0377 bei SwinV2-B. Die Berechnung lautet wie folgt: <strong>(0,0377 \u2212 0,0293) \u00f7 0,0377 \u00d7 100 = 22,3%<\/strong>. Der RMSE misst den Vorhersagefehler im Vergleich zur Zielkarte; je niedriger, desto besser. Dieser Prozentsatz ist weder ein Genauigkeitswert noch eine Angabe zur Ver\u00e4nderung der Menge an Mond-Eis.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Die Ergebnisse der Krateranalyse h\u00e4ngen von der Metrik und der Datenskala ab<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Mit 50% der WAC-Trainingsdaten erreicht das Mondmodell einen mAP-Wert von 0,2541 gegen\u00fcber 0,2313 f\u00fcr SwinV2-B. Dasselbe Ergebnis des Mondmodells \u00fcbertrifft auch den Wert von 0,2420 der Basislinie bei 100% Trainingsdaten. Der erste Vergleich verwendet gleiche Datenanteile; der zweite belegt die Effizienz der Klassifizierung in diesem speziellen Experiment.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Verbesserung von IBM um etwa 191 TP40T l\u00e4sst sich mit den AP@75-Werten des Berichts bei 501 TP40T Trainingsdaten in Einklang bringen: 0,2213 gegen\u00fcber 0,1862, was einem relativen Anstieg von 18,91 TP40T entspricht. AP@75 bewertet Erkennungen bei einem bestimmten \u00dcberlappungsschwellenwert. Dies sollte nicht f\u00e4lschlicherweise als Anstieg um 19% bei der mAP-Metrik in der Tabelle ausgewiesen werden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Auf der feineren NAC-Skala betr\u00e4gt der mAP des Mondmodells 0,1543 und der des Basismodells 0,1552. Bei \u201eIrregular Mare Patches\u201c liegen die angegebenen IoU-Werte im Vordergrund bei 0,5709 bzw. 0,5687 im Vergleich zu ConvNeXtV2-B. Die Autoren beschreiben diese Aufgaben als vergleichbar mit starken Baseline-Modellen. Geringe Unterschiede sowie die angegebenen Schwankungen zwischen den Durchl\u00e4ufen st\u00fctzen nicht die Behauptung, dass das Mondmodell in allen F\u00e4llen besser abschneidet.<\/p>\n\n\n\n<h2 id=\"access-and-cost\" class=\"wp-block-heading\">Wo ist es erh\u00e4ltlich und wie hoch sind die Zugangsgeb\u00fchren?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Beginnen Sie mit den unten aufgef\u00fchrten offiziellen Ressourcen. Die Modellgewichte und der Code unterliegen der Apache-2.0-Lizenz, und der Checkpoint ist \u00f6ffentlich zug\u00e4nglich. Im Repository wird insbesondere ein <strong>Ver\u00f6ffentlichung der Feinabstimmung und der Inferenz<\/strong>; Vortrainingscode ist ausdr\u00fccklich ausgeschlossen.<\/p>\n\n\n\n<section class=\"glb-lunar-access\" aria-label=\"Offizielle Ressourcen zu Mondmodellen\" style=\"box-sizing:border-box;margin:28px 0;border:1px solid #b9cbd7;padding:24px;border-radius:6px;background:#f8fafc;color:#173544;max-width:100%;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><p class=\"glb-lunar-access-title\" style=\"box-sizing:border-box;color:#173544;line-height:1.65;margin:0 0 16px;font-weight:750;font-size:1.2rem\">W\u00e4hlen Sie die Ressource f\u00fcr Ihren n\u00e4chsten Schritt aus<\/p><div class=\"glb-lunar-access-grid\" style=\"box-sizing:border-box;display:grid;grid-template-columns:repeat(auto-fit,minmax(min(100%,220px),1fr));gap:12px\"><div class=\"glb-lunar-access-item\" style=\"box-sizing:border-box;padding:16px;min-width:0;border:1px solid #ced9df;border-radius:4px;background:#fff\"><a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\" style=\"box-sizing:border-box;color:#12546c;font-weight:700;text-decoration:underline;overflow-wrap:anywhere\">Lies die Modellkarte<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Beginnen Sie mit den Verwendungszwecken, den Eingabedaten, den Lizenzbedingungen und den Einschr\u00e4nkungen.<\/p><\/div><div class=\"glb-lunar-access-item\" style=\"box-sizing:border-box;padding:16px;min-width:0;border:1px solid #ced9df;border-radius:4px;background:#fff\"><a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/tree\/main\" style=\"box-sizing:border-box;color:#12546c;font-weight:700;text-decoration:underline;overflow-wrap:anywhere\">Gewichte und Konfiguration herunterladen<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Die Registerkarte \u201eDateien\u201c enth\u00e4lt den freigegebenen Pr\u00fcfpunkt und die zugeh\u00f6rigen Dateien.<\/p><\/div><div class=\"glb-lunar-access-item\" style=\"box-sizing:border-box;padding:16px;min-width:0;border:1px solid #ced9df;border-radius:4px;background:#fff\"><a href=\"https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\" style=\"box-sizing:border-box;color:#12546c;font-weight:700;text-decoration:underline;overflow-wrap:anywhere\">Feinabstimmungs- und Inferenzcode \u00fcberpr\u00fcfen<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Nutzen Sie die README-Datei und die TerraTorch-Aufgabenkonfigurationen, um ein Experiment zu planen.<\/p><\/div><div class=\"glb-lunar-access-item\" style=\"box-sizing:border-box;padding:16px;min-width:0;border:1px solid #ced9df;border-radius:4px;background:#fff\"><a href=\"https:\/\/huggingface.co\/collections\/nasa-ibm-ai4science\/nasa-ibm-lunar-fm-and-downstream-models\" style=\"box-sizing:border-box;color:#12546c;font-weight:700;text-decoration:underline;overflow-wrap:anywhere\">Modelle und Datenquellen durchsuchen<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Folgen Sie der offiziellen Sammlung zu den zugeh\u00f6rigen nachgelagerten Modellen und Datens\u00e4tzen.<\/p><\/div><div class=\"glb-lunar-access-item\" style=\"box-sizing:border-box;padding:16px;min-width:0;border:1px solid #ced9df;border-radius:4px;background:#fff\"><a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\" style=\"box-sizing:border-box;color:#12546c;font-weight:700;text-decoration:underline;overflow-wrap:anywhere\">Lesen Sie den technischen Bericht<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Die Tabellen 4\u20137 enthalten die Ergebnisse der Aufgaben, die Einstellungen und die Schwankungen zwischen den Durchl\u00e4ufen.<\/p><\/div><div class=\"glb-lunar-access-item\" style=\"box-sizing:border-box;padding:16px;min-width:0;border:1px solid #ced9df;border-radius:4px;background:#fff\"><a href=\"https:\/\/huggingface.co\/spaces\/nasa-ibm-ai4science\/nasa-ibm-lunar-foundation-model-generation-demo\" style=\"box-sizing:border-box;color:#12546c;font-weight:700;text-decoration:underline;overflow-wrap:anywhere\">Besuchen Sie die offizielle Vorf\u00fchrung<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Sehen Sie sich den Demo-Beitrag des Projekts an. Im Rahmen dieser \u00dcberpr\u00fcfung haben wir keine Generierung durchgef\u00fchrt.<\/p><\/div><\/div><p class=\"glb-lunar-access-note\" style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0;font-size:.9rem;margin-top:16px\">Bei einer \u00dcberpr\u00fcfung am 28. September 26 wurde festgestellt, dass in der Modellkarte kein bereitgestellter Hugging Face Inference Provider aufgef\u00fchrt war. Ein herunterladbarer Checkpoint und eine Demonstrationsseite sind separate Zugriffsm\u00f6glichkeiten.<\/p><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Wenn Sie das Modell anpassen m\u00f6chten, w\u00e4hlen Sie die nachgelagerte Aufgabe aus, bevor Sie das Experiment einrichten. Das Repository stellt TerraTorch-kompatible Komponenten und Konfigurationen bereit, die den Checkpoint, die Aufgabe und die Daten miteinander verbinden. TerraTorch ist das Software-Framework, mit dem dieser Trainings- und Auswertungs-Workflow organisiert wird.<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Lesen Sie die Modellkarte und die README-Datei und w\u00e4hlen Sie dann je nach wissenschaftlicher Fragestellung zwischen Erkennung, Segmentierung oder Regression.<\/li>\n\n\n\n<li>Rufen Sie die entsprechenden Daten und den offiziellen Checkpoint ab und \u00fcberpr\u00fcfen Sie die Aufgabenkonfiguration sowie die Umgebungsanweisungen des Repositorys.<\/li>\n\n\n\n<li>Bereiten Sie die Daten f\u00fcr diese Konfiguration vor und f\u00fchren Sie den entsprechenden Workflow zur Feinabstimmung oder zur Inferenz aus.<\/li>\n\n\n\n<li>F\u00fchren Sie eine Bewertung anhand einer geeigneten Referenz durch und speichern Sie die Datenaufteilung, die Einstellungen und die Ergebnisse, damit das Ergebnis \u00fcberpr\u00fcft werden kann.<\/li>\n<\/ol>\n\n\n\n<figure class=\"wp-block-image size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"1440\" height=\"900\" src=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-github-access-20260928_0ed29da82aa24945999f774b4713ac5d.webp\" alt=\"Offizielle GitHub-README-Datei mit einer Beschreibung der Ver\u00f6ffentlichung zur Feinabstimmung und Inferenz des Mondmodells.\" class=\"wp-image-20210\" srcset=\"https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-github-access-20260928_0ed29da82aa24945999f774b4713ac5d.webp 1440w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-github-access-20260928_0ed29da82aa24945999f774b4713ac5d-300x188.webp 300w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-github-access-20260928_0ed29da82aa24945999f774b4713ac5d-1024x640.webp 1024w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-github-access-20260928_0ed29da82aa24945999f774b4713ac5d-768x480.webp 768w, https:\/\/wp.glbgpt.com\/wp-content\/uploads\/2026\/09\/lunar-github-access-20260928_0ed29da82aa24945999f774b4713ac5d-18x12.webp 18w\" sizes=\"(max-width: 1440px) 100vw, 1440px\" \/><figcaption class=\"wp-element-caption\">Die <a href=\"https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\">offizielles Repository<\/a> Enth\u00e4lt Code f\u00fcr die Feinabstimmung und die Inferenz; Code f\u00fcr das Vortraining ist nicht enthalten.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Open Access macht den Kauf einer Modelllizenz \u00fcberfl\u00fcssig, doch die Durchf\u00fchrung eines Experiments ist nach wie vor mit Kosten verbunden. Man ben\u00f6tigt Rechenleistung, Speicherplatz, Datenaufbereitung und Zeit f\u00fcr die Auswertung. Ein ver\u00f6ffentlichter Checkpoint beinhaltet nicht automatisch eine gehostete API oder kostenlose GPU-Zeit, und die Quellen legen keine universelle Mindest-GPU-Leistung f\u00fcr jede nachgelagerte Aufgabe fest.<\/p>\n\n\n\n<div class=\"glb-lunar-table\" style=\"max-width:100%;overflow-x:auto;margin:28px 0;border:1px solid #c9d6df;border-radius:4px;box-sizing:border-box;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><table style=\"border-collapse:collapse;width:100%;min-width:590px;font-size:.94rem;line-height:1.6\"><thead><tr><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Dein Ziel<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Zu planende Ressourcen oder Kosten<\/th><\/tr><\/thead><tbody><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Die Pressemitteilung lesen und bewerten<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">\u00d6ffentliche Bekanntmachungen, Modellkarte, Bericht und Archiv.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Das wissenschaftliche Modell ausf\u00fchren oder anpassen<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Geeignete Rechen- und Speicherressourcen, relevante Daten, Einrichtung der Umgebung und Auswertungsarbeiten.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Wissenschaftliche Artikel verstehen und einen Forschungsbericht verfassen<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Ein Arbeitsbereich f\u00fcr wissenschaftliche Mitarbeiter wie beispielsweise GlobalGPT, der Modellzugriff und Dokumententools in einem Abonnement vereint.<\/td><\/tr><\/tbody><\/table><\/div>\n\n\n\n<h2 id=\"research-workflow\" class=\"wp-block-heading\">Nutzen Sie KI, um die Forschungsergebnisse zu verstehen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Eine konstruktive erste Frage ist konkret formuliert: \u201cWas wird mit der angegebenen Verbesserung von 22% eigentlich gemessen?\u201d Um diese Frage zu beantworten, braucht man ein Ziel, eine Kennzahl, einen Ausgangswert und eine Berechnung. Nach diesen vier Punkten zu fragen ist sinnvoller, als einen Assistenten zu fragen, ob das Modell beeindruckend ist.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Mit GlobalGPT k\u00f6nnen Sie Ihre Leseaufgaben \u2013 von der Quellenrecherche \u00fcber die Erl\u00e4uterung von Dokumenten bis hin zum Verfassen von Texten \u2013 durchf\u00fchren, ohne bei jedem Schritt zwischen verschiedenen Tools wechseln zu m\u00fcssen. F\u00fcr eine wiederholbare Vorgehensweise, <a href=\"https:\/\/www.glbgpt.com\/hub\/how-to-use-perplexity-for-research\/\">Erstellen Sie einen Forschungsbericht mit Quellenangaben<\/a> mit einer kurzen Quellenliste und konkreten Fragen, bevor Sie eine ausgefeilte Zusammenfassung anfordern.<\/p>\n\n\n\n<section class=\"glb-lunar-workflow\" aria-label=\"Ein dreistufiger Forschungsablauf\" style=\"box-sizing:border-box;margin:28px 0;padding:24px;border:1px solid #c2d2de;border-radius:6px;background:#eef5fa;color:#183c51;max-width:100%;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><p class=\"glb-lunar-workflow-title\" style=\"box-sizing:border-box;font-size:1.2rem;font-weight:750;margin:0 0 16px;color:#183c51\">Von offiziellen Quellen zu einer n\u00fctzlichen Zusammenfassung<\/p><ol style=\"box-sizing:border-box;margin:0;padding-left:24px\"><li style=\"box-sizing:border-box;padding:0 0 14px 4px;color:#24495f;line-height:1.65\"><strong style=\"box-sizing:border-box;color:#153e55\">Sammeln Sie das Ausgangsmaterial.<\/strong> Beginnen Sie mit der Ank\u00fcndigung der NASA und f\u00fcgen Sie dann die Modellkarte, den technischen Bericht und die README-Datei hinzu. Sie k\u00f6nnen <a href=\"https:\/\/www.glbgpt.com\/perplexity?inviter=hub_content_perplexity&amp;login=1\" style=\"box-sizing:border-box;color:#125977;text-decoration:underline\">Untersuchung mit Perplexity an GlobalGPT<\/a> um entsprechende Quellen zu finden.<\/li><li style=\"box-sizing:border-box;padding:0 0 14px 4px;color:#24495f;line-height:1.65\"><strong style=\"box-sizing:border-box;color:#153e55\">Stellen Sie gezielte Fragen.<\/strong> Lassen Sie einen Assistenten mAP, IoU und RMSE jeweils separat erkl\u00e4ren und listen Sie anschlie\u00dfend hinter jeder Aussage das Ziel, die Basislinie und die Bewertungskonfiguration auf.<\/li><li style=\"box-sizing:border-box;padding:0 0 14px 4px;color:#24495f;line-height:1.65;padding-bottom:0\"><strong style=\"box-sizing:border-box;color:#153e55\">Pr\u00fcfen und aufschreiben.<\/strong> \u00d6ffnen Sie die angef\u00fchrte Tabelle erneut, \u00fcberpr\u00fcfen Sie jede Zahl und fassen Sie die gepr\u00fcften Notizen zu einem Bericht zusammen, der die wissenschaftlichen Grenzen ber\u00fccksichtigt.<\/li><\/ol><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Wir haben eine vereinfachte Version dieses Arbeitsablaufs mit GPT-5.6 Sol getestet. Das System erhielt ein aus den vier offiziellen Quellen zusammengestelltes Datenpaket und sollte daraufhin eine kurze Zusammenfassung erstellen, sechs Behauptungen einordnen, die RMSE-Reduktion berechnen und praktische n\u00e4chste Schritte vorschlagen. Die Aufgabe st\u00fctzte sich auf den bereitgestellten Text; es wurde nicht nach neuen Belegen gesucht.<\/p>\n\n\n\n<section class=\"glb-lunar-setup\" aria-label=\"Testaufbau f\u00fcr Forschungsbericht\" style=\"box-sizing:border-box;margin:28px 0;padding:22px;border:1px solid #b9cbd7;border-left:4px solid #13576c;border-radius:6px;background:#f3f8fb;color:#172f3b;font:inherit;max-width:100%;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><p class=\"glb-lunar-setup-title\" style=\"box-sizing:border-box;margin:0 0 10px;color:#123443;line-height:1.65;font-size:1.18rem;font-weight:700\">Ein quellenbasierter Briefing-Test<\/p><p style=\"box-sizing:border-box;margin:8px 0;color:#243f4c;line-height:1.65\">Wir haben GPT-5.6 Sol ein kurzes Paket mit Informationen aus der Ank\u00fcndigung der NASA, der offiziellen Modellkarte, dem technischen Bericht und der GitHub-README-Datei zur Verf\u00fcgung gestellt. Es sollte eine Zusammenfassung verfassen, sechs Aussagen \u00fcberpr\u00fcfen und die Berechnung des RMSE erl\u00e4utern.<\/p><dl style=\"box-sizing:border-box;display:block;grid-template-columns:repeat(auto-fit,minmax(min(100%,220px),1fr));gap:12px 24px;margin:16px 0 0\"><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Arbeitsbereich und Datum<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">GlobalGPT \u00b7 28. September 2026<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Richtlinie ausf\u00fchren<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Eine Aufgabe; erste vollst\u00e4ndige Antwort; keine Wiederholungsversuche<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Eingabe<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Quellpaket mit 355 W\u00f6rtern und vier Quellen-IDs<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Umfang<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Auslesen und Synthese; keine Live-Suche oder Ausf\u00fchrung des Mondmodells<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Antwort-Einstellungen<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Obergrenze f\u00fcr Ausgabetoken: 4.096; alle anderen Abtaststeuerungen bleiben auf den Standardwerten des Dienstes<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Nutzung und Kosten<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Insgesamt wurden 2.154 Token gemeldet; die Antwort enthielt keine Angabe zum Wert.<\/dd><\/div><\/dl><\/section>\n\n\n\n<section class=\"glb-lunar-t01\" aria-label=\"Ergebnis des quellbasierten Briefing-Tests\" style=\"box-sizing:border-box;margin:28px 0;padding:24px;background:#f7fafc;border:1px solid #b9cbd7;border-radius:6px;color:#172f3b;font:inherit;max-width:100%;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><p class=\"glb-lunar-t01-title\" style=\"box-sizing:border-box;color:#123443;line-height:1.35;margin:0 0 8px;font-size:1.3rem;font-weight:700\">In der ersten Antwort wurden die wissenschaftlichen Behauptungen im Rahmen gehalten<\/p><div class=\"glb-lunar-t01-metrics\" style=\"box-sizing:border-box;display:grid;grid-template-columns:repeat(auto-fit,minmax(min(100%,220px),1fr));gap:10px;margin:18px 0\"><div class=\"glb-lunar-t01-metric\" style=\"box-sizing:border-box;padding:14px;background:#e3eef3;border:1px solid #c4d7df;border-radius:4px\"><span class=\"glb-lunar-t01-number\" style=\"box-sizing:border-box;display:block;font-size:1.55rem;font-weight:750;color:#123c4d;line-height:1.2\">6 \/ 6<\/span><span class=\"glb-lunar-t01-label\" style=\"box-sizing:border-box;display:block;font-size:.86rem;color:#294b5a;margin-top:6px;line-height:1.4\">Die \u00dcberpr\u00fcfung der Behauptungen ergab eine \u00dcbereinstimmung mit den angegebenen Quellen<\/span><\/div><div class=\"glb-lunar-t01-metric\" style=\"box-sizing:border-box;padding:14px;background:#e3eef3;border:1px solid #c4d7df;border-radius:4px\"><span class=\"glb-lunar-t01-number\" style=\"box-sizing:border-box;display:block;font-size:1.55rem;font-weight:750;color:#123c4d;line-height:1.2\">22.3%<\/span><span class=\"glb-lunar-t01-label\" style=\"box-sizing:border-box;display:block;font-size:.86rem;color:#294b5a;margin-top:6px;line-height:1.4\">Korrekte relative RMSE-Reduzierung<\/span><\/div><div class=\"glb-lunar-t01-metric\" style=\"box-sizing:border-box;padding:14px;background:#e3eef3;border:1px solid #c4d7df;border-radius:4px\"><span class=\"glb-lunar-t01-number\" style=\"box-sizing:border-box;display:block;font-size:1.55rem;font-weight:750;color:#123c4d;line-height:1.2\">14,0 s<\/span><span class=\"glb-lunar-t01-label\" style=\"box-sizing:border-box;display:block;font-size:.86rem;color:#294b5a;margin-top:6px;line-height:1.4\">Zeit f\u00fcr diese ausf\u00fchrliche Antwort<\/span><\/div><\/div><p style=\"box-sizing:border-box;color:#25434f;line-height:1.65;margin:12px 0\">Die Antwort ergab einen 112 W\u00f6rter umfassenden Bericht, in dem die Behauptung zur\u00fcckgewiesen wurde, das Modell habe 22% mehr echtes Eis entdeckt, und in dem die Einschr\u00e4nkungen hinsichtlich der Zertifizierung von Landepl\u00e4tzen und des Zugriffs auf den Vortrainingscode beibehalten wurden. Die drei n\u00e4chsten Schritte verwiesen zur\u00fcck auf die offizielle Modellkarte, den Checkpoint und die TerraTorch-Ressourcen.<\/p><p class=\"glb-lunar-t01-note\" style=\"box-sizing:border-box;color:#405967;line-height:1.65;margin:12px 0;font-size:.91rem\">Hierbei handelte es sich um eine Leseaufgabe unter Verwendung von bereitgestelltem Material. Die wichtigsten Einschr\u00e4nkungen waren bereits im Quellenpaket angegeben. Das Ergebnis sagt nichts \u00fcber die Leistung bei eigenst\u00e4ndiger Recherche oder bei Schlussfolgerungen aus der Fernerkundung des Mondes aus.<\/p><details style=\"box-sizing:border-box;margin:14px 0 0;padding:12px 14px;background:#fff;border:1px solid #bed0dc;border-radius:4px\"><summary style=\"box-sizing:border-box;cursor:pointer;color:#174d62;font-weight:700;line-height:1.5\">Die genaue Eingabeaufforderung und das Quellpaket anzeigen<\/summary><pre style=\"box-sizing:border-box;margin:14px 0 0;white-space:pre-wrap;overflow-wrap:anywhere;word-break:normal;max-width:100%;font:0.88rem\/1.65 ui-monospace,SFMono-Regular,Consolas,monospace;color:#203d4a;background:#fff\">SYSTEM\nSie sind ein sorgf\u00e4ltiger wissenschaftlicher Redakteur, der f\u00fcr einen Studenten schreibt. Verwenden Sie ausschlie\u00dflich das bereitgestellte Quellenpaket. Recherchieren Sie nicht zus\u00e4tzlich. Unterscheiden Sie zwischen gemeldeten Benchmark-Messwerten und tats\u00e4chlichen wissenschaftlichen Messungen. Geben Sie Quellen-IDs in eckigen Klammern an. Wenn eine Behauptung nicht belegt ist, weisen Sie klar darauf hin. Erfinden Sie keine Zitate, Preise, Hardwareanforderungen oder Versuchsergebnisse. Geben Sie die gew\u00fcnschte Antwort, keine versteckten \u00dcberlegungen.\n\nBENUTZER\nVerwandeln Sie das Quellenpaket in einen praktischen Forschungsbericht. Liefern Sie Folgendes: (1) eine in leicht verst\u00e4ndlichem Englisch verfasste Zusammenfassung von 100\u2013130 W\u00f6rtern; (2) eine sechszeilige Tabelle zur \u00dcberpr\u00fcfung der Behauptungen, in der f\u00fcr jede angegebene Behauptung genau \u201ebelegt\u201c oder \u201enicht belegt\u201c angegeben wird, zusammen mit einer Quellen-ID und einer einzeiligen Erkl\u00e4rung; (3) die relative RMSE-Reduktion, berechnet von 0,0377 auf 0,0293, gerundet auf eine Dezimalstelle, mit einer Formel und einem Satz, der erkl\u00e4rt, was damit nicht gemessen wird; (4) drei praktische n\u00e4chste Schritte f\u00fcr einen Studenten, der das ver\u00f6ffentlichte Modell untersuchen oder anpassen m\u00f6chte. Die gesamte Antwort sollte weniger als 500 W\u00f6rter umfassen.\n\nZu pr\u00fcfende Behauptungen:\n1. Die NASA und IBM haben das Modell am 10. September 2026 \u00f6ffentlich vorgestellt.\n2. Der angegebene RMSE f\u00fcr die Eisprospektivit\u00e4t sank von 0,0377 f\u00fcr SwinV2-B auf 0,0293 f\u00fcr das vollst\u00e4ndig feinabgestimmte Mondmodell.\n3. Das Modell entdeckte 22% mehr echtes Wassereis auf dem Mond.\n4. Die NASA hat dieses Modell f\u00fcr die Zertifizierung von Landepl\u00e4tzen und die Gefahrenfreigabe validiert.\n5. Die GitHub-Ver\u00f6ffentlichung enth\u00e4lt den Code f\u00fcr das Vortraining.\n6. Ein offener Checkpoint garantiert, dass GPU-Rechenleistung und gehostete Inferenz kostenlos sind.\n\nQuellpaket:\n[S1] NASA-Mitteilung, 10. September 2026.\nTitel: NASA und IBM stellen KI-Grundmodell f\u00fcr die Mondforschung vor.\nURL: https:\/\/science.nasa.gov\/science-research\/artificial-intelligence-lunar-foundation-model\/\nDie NASA k\u00fcndigte ein gemeinsam mit IBM entwickeltes Basismodell f\u00fcr die Mondforschung an. Es wird \u00f6ffentlich auf Hugging Face gehostet, der Code ist auf GitHub verf\u00fcgbar. Es l\u00e4sst sich f\u00fcr die Kartierung von Kratern, die Identifizierung vulkanischer Merkmale und die Erforschung des Polareises anpassen.\n\n[S2] Offizielle Modellkarte und technischer Bericht der NASA und IBM, abgerufen am 28. September 2026.\nURL der Modellkarte: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\nURL des technischen Berichts: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\nTabelle 7 des Berichts (Seite 18) enth\u00e4lt den Root Mean Squared Error (RMSE) des Testdatensatzes f\u00fcr die Regression der Eisprospektivit\u00e4t. Je niedriger, desto besser. Mittelwert plus\/minus Standardabweichung \u00fcber f\u00fcnf zuf\u00e4llige Startwerte: NASA-IBM LFM mit vollst\u00e4ndiger Feinabstimmung, 0,0293 \u00b1 0,0013; ImageNet-vortrainiertes SwinV2-B, 0,0377 \u00b1 0,0004. Das Ziel ist eine wissensbasierte Karte der Eisprospektivit\u00e4t. Hierbei handelt es sich um von den Autoren angegebene Benchmark-Ergebnisse, nicht um eine unabh\u00e4ngige Reproduktion oder eine direkte Messung von Wassereis.\nTabelle 4 (Seite 16), WAC-Krater mit 50%-Trainingsdaten: Der mAP f\u00fcr Bounding-Boxen betr\u00e4gt 0,2541 \u00b1 0,0018 f\u00fcr das vollst\u00e4ndig feinabgestimmte LFM und 0,2313 \u00b1 0,0027 f\u00fcr SwinV2-B. In denselben Zeilen betr\u00e4gt AP@75 0,2213 \u00b1 0,0028 bzw. 0,1862 \u00b1 0,0041. Diese Metriken d\u00fcrfen nicht vertauscht werden.\n\n[S3] Offizielle Modellkarte, Verwendungszweck \/ Nicht im Anwendungsbereich \/ Einschr\u00e4nkungen.\nURL: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\nDer Verwendungszweck ist die Fernerkundung des Mondes durch Feinabstimmung oder LoRA-Anpassung f\u00fcr Erkennung, Segmentierung und dichte Regression. Das Modell ist nicht f\u00fcr die Zertifizierung von Landepl\u00e4tzen oder die Gefahrenabkl\u00e4rung validiert. Die Ergebnisse zur Eisprospektivit\u00e4t bilden eine wissensbasierte Karte ab, nicht gemessene Eismengen. Die generierten Felder sind qualitative Anhaltspunkte, keine kalibrierten wissenschaftlichen Vorhersagen. Das Modell verwendet keinen absoluten geod\u00e4tischen Referenzrahmen. Es wurde nicht \u00fcber den Mond hinaus evaluiert. Die angegebene Lizenz ist Apache-2.0. Auf der Seite wird kein Einsatz eines Inferenz-Providers angegeben. Dieses Paket beinhaltet keine Zusage f\u00fcr kostenlose GPU-Rechenleistung oder kostenlos gehostete Inferenz sowie keine Angaben zu Mindesthardwareanforderungen oder Preisen f\u00fcr gehostete APIs.\n\n[S4] Offizielles GitHub-README, gepr\u00fcft am 28. September 2026.\nURL: https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\nDas Repository beschreibt eine Version f\u00fcr Feinabstimmung und Inferenz. Code f\u00fcr das Vortraining ist nicht enthalten. Gewichte und Konfiguration k\u00f6nnen aus dem offiziellen Hugging-Face-Modell-Repository heruntergeladen werden. Es werden TerraTorch-kompatible Datenmodule, Tasks, Backbone-Wrapper und Task-Konfigurationen bereitgestellt. F\u00fcr das Fine-Tuning und das Testen sind die entsprechenden Daten, Checkpoints und Task-Konfigurationen erforderlich. Die README-Datei f\u00fchrt eine Apache-2.0-Lizenz auf.\n<\/pre><\/details><details style=\"box-sizing:border-box;margin:14px 0 0;padding:12px 14px;background:#fff;border:1px solid #bed0dc;border-radius:4px\"><summary style=\"box-sizing:border-box;cursor:pointer;color:#174d62;font-weight:700;line-height:1.5\">Die vollst\u00e4ndige erste Antwort anzeigen<\/summary><pre style=\"box-sizing:border-box;margin:14px 0 0;white-space:pre-wrap;overflow-wrap:anywhere;word-break:normal;max-width:100%;font:0.88rem\/1.65 ui-monospace,SFMono-Regular,Consolas,monospace;color:#203d4a;background:#fff\">## 1. Hintergrundinformationen\n\nDie NASA und IBM haben am 10. September 2026 das \u201eLunar Foundation Model\u201c vorgestellt. Die \u00f6ffentliche Ver\u00f6ffentlichung umfasst Gewichte auf Hugging Face sowie Code f\u00fcr das Fine-Tuning und die Inferenz auf GitHub und zielt auf Fernerkundungsaufgaben auf dem Mond ab, wie beispielsweise die Kartierung von Kratern, die Identifizierung vulkanischer Merkmale und die Erforschung des Polareises. Der angegebene Benchmark f\u00fcr die Eisprospektivit\u00e4t verbessert den RMSE gegen\u00fcber einem mit ImageNet vortrainierten SwinV2-B, doch das Ziel ist eine wissensbasierte Karte und nicht direkt gemessenes Mond-Eis. Das Ergebnis wurde von den Autoren \u00fcber f\u00fcnf zuf\u00e4llige Startwerte berichtet und ist keine unabh\u00e4ngige Replikation. Das Modell ist f\u00fcr die Anpassung durch vollst\u00e4ndiges Feinabstimmen oder LoRA vorgesehen, wurde jedoch nicht f\u00fcr die Zertifizierung von Landepl\u00e4tzen oder die Gefahrenabkl\u00e4rung validiert. Vortrainierungscode fehlt, und die Ver\u00f6ffentlichung verspricht weder kostenlose GPU-Rechenleistung noch gehostete Inferenz. [S1][S2][S3][S4]\n\n## 2. Tabelle zur \u00dcberpr\u00fcfung der Behauptungen\n\n| Behauptung | Urteil | Quelle | Erl\u00e4uterung |\n|---|---|---|---|\n| 1 | Best\u00e4tigt | [S1] | Die Ank\u00fcndigung der NASA stammt vom 10. September 2026 und identifiziert das Modell als ein NASA-IBM-Projekt. |\n| 2 | Best\u00e4tigt | [S2] | Tabelle 7 gibt RMSE-Werte von 0,0377 f\u00fcr SwinV2-B und 0,0293 f\u00fcr das vollst\u00e4ndig feinabgestimmte Mondmodell an. |\n| 3 | Nicht unterst\u00fctzt | [S2] | Bei den Zahlen handelt es sich um Benchmark-Fehler im Vergleich zu einer wissensbasierten Prospektivit\u00e4tskarte, nicht um Messungen von echtem Wassereis auf dem Mond. |\n| 4 | Nicht unterst\u00fctzt | [S3] | In der Modellbeschreibung wird ausdr\u00fccklich darauf hingewiesen, dass das Modell nicht f\u00fcr die Zertifizierung von Landepl\u00e4tzen oder die Gefahrenabkl\u00e4rung validiert ist. |\n| 5 | Nicht unterst\u00fctzt | [S4] | Das GitHub-Repository stellt Ressourcen f\u00fcr die Feinabstimmung und Inferenz bereit, enth\u00e4lt jedoch keinen Code f\u00fcr das Vortraining. |\n| 6 | Nicht unterst\u00fctzt | [S3] | Das Paket verspricht keine kostenlose GPU-Rechenleistung oder gehostete Inferenz und gibt keine Bereitstellung durch einen Inferenzanbieter an. |\n\n## 3. Relative RMSE-Reduktion\n\n\\[\n\\frac{0,0377-0,0293}{0,0377}\\times 100 = 22,3\\%\n\\]\n\nDies entspricht einer **relativen Reduzierung des von den Autoren angegebenen Benchmark-RMSE um 22,3%**; dabei werden weder zus\u00e4tzlich entdeckte echte Wassereisvorkommen noch unabh\u00e4ngig validierte wissenschaftliche Leistungen ber\u00fccksichtigt. [S2]\n\n## 4. Praktische n\u00e4chste Schritte\n\n1. Lesen Sie die vorgesehenen Verwendungszwecke, Einschr\u00e4nkungen und die Apache-2.0-Lizenz der Modellkarte, bevor Sie eine Erkennungs-, Segmentierungs- oder Regressionsaufgabe ausw\u00e4hlen. [S3]\n2. Laden Sie den offiziellen Checkpoint und die Konfiguration von Hugging Face herunter und pr\u00fcfen Sie anschlie\u00dfend die GitHub-Backbone-Wrapper und Aufgabenkonfigurationen. [S4]\n3. Besorgen Sie sich den entsprechenden Monddatensatz und nutzen Sie die bereitgestellten TerraTorch-kompatiblen Komponenten zur Feinabstimmung und zum Testen. Dokumentieren Sie dabei, dass kein Vortrainingscode verf\u00fcgbar ist und die Benchmark-Ergebnisse einer unabh\u00e4ngigen Bewertung bed\u00fcrfen. [S2][S4]<\/pre><\/details><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Das n\u00fctzliche Ergebnis war die Beibehaltung der Unterscheidungen: Benchmark-Fehler gegen\u00fcber entdecktem Eis, Forschungszwecke gegen\u00fcber Landegenehmigung sowie freigegebener Anpassungscode gegen\u00fcber fehlendem Vortrainingscode. Da diese Einschr\u00e4nkungen bereits im Quellpaket enthalten waren, ist dies ein Beleg f\u00fcr eine erfolgreiche Lese- und Syntheseaufgabe, jedoch kein Beweis daf\u00fcr, dass ein Assistent jede Einschr\u00e4nkung eigenst\u00e4ndig aufdecken w\u00fcrde.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Bei einem gr\u00f6\u00dferen Projekt, <a href=\"https:\/\/www.glbgpt.com\/hub\/how-to-use-chatgpt-deep-research-complete-tutorial-tips-and-best-practices\/\">eine intensivere, KI-gest\u00fctzte Forschungssitzung planen<\/a> Beziehen Sie sich dabei auf einzelne Fragen zu Daten, Methoden, Auswertung und Einschr\u00e4nkungen. Legen Sie die Quelltabelle neben den Entwurf und \u00fcberpr\u00fcfen Sie jede Zahl nach der Bearbeitung noch einmal. Diese Gewohnheit ist wichtiger als die Frage, wie fl\u00fcssig die erste Zusammenfassung klingt.<\/p>\n\n\n\n<h2 id=\"limitations\" class=\"wp-block-heading\">Grenzwerte, die in der Praxis von Bedeutung sind<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Auf der Modellkarte hei\u00dft es, dass das Mondmodell nicht f\u00fcr operative Entscheidungen wie die Zertifizierung von Landepl\u00e4tzen oder die Gefahrenfreigabe validiert wurde. Ein wissenschaftliches Modell kann dabei helfen, Beobachtungen zu untersuchen, ohne dass bereits best\u00e4tigt werden kann, dass ein Raumfahrzeug an einem bestimmten Ort sicher landen kann. F\u00fcr solche Anwendungen ist ein anderes Validierungsniveau erforderlich.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Auch bei generierten Feldern ist Vorsicht geboten. Das Modell verwendet keinen absoluten geod\u00e4tischen Bezugsrahmen, und die generierten Werte k\u00f6nnen von den physikalischen Werten abweichen. Die Autoren beschreiben die Generierung eher als qualitative Untersuchung denn als kalibrierte wissenschaftliche Vorhersage. Eine plausibel erscheinende Gel\u00e4nde- oder Beobachtungskarte sollte nicht als vermessenes Produkt interpretiert werden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Der Checkpoint wurde \u00fcber den Mond hinaus noch nicht evaluiert. Selbst innerhalb der Mondforschung ist die Bilanz gemischt: deutliche Verbesserungen bei einigen Aufgaben und vergleichbare Ergebnisse bei anderen. Die berechtigte Schlussfolgerung lautet, das Modell anhand des Ziels, des Ma\u00dfstabs, der Daten und der Basislinie zu bewerten, die Ihrem Experiment entsprechen.<\/p>\n\n\n\n<h2 id=\"faq\" class=\"wp-block-heading\">H\u00e4ufig gestellte Fragen<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Ist das \u201eLunar Foundation Model\u201c von NASA und IBM kostenlos nutzbar?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die offizielle Modellkarte und das Code-Repository verweisen auf eine Apache-2.0-Lizenz, und der Checkpoint ist \u00f6ffentlich zug\u00e4nglich. Die Durchf\u00fchrung von Experimenten erfordert jedoch weiterhin geeignete Rechenressourcen, Datenaufbereitung und eine aufgabenspezifische Auswertung. Der offene Zugang zum Modell bietet keine Garantie f\u00fcr kostenlose GPU-Rechenleistung oder gehostete Inferenz.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Ist das \u201eLunar Foundation Model\u201c von NASA und IBM ein Chatbot?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Es handelt sich um ein Basismodell f\u00fcr die Fernerkundung des Mondes, das f\u00fcr die Verarbeitung von Bildmaterial, Gel\u00e4ndedaten und zugeh\u00f6rigen Beobachtungsdaten entwickelt wurde. Forscher passen es f\u00fcr Erkennungs-, Segmentierungs- und Regressionsaufgaben an. Ein Chat-Assistent kann bei der Erl\u00e4uterung der Dokumentation helfen, doch die Interaktion mit einem Chatbot ist ein anderer Arbeitsablauf als die Ausf\u00fchrung dieses Modells.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Hat das Modell weiteres Wassereis auf dem Mond entdeckt?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Das angegebene Eisergebnis misst, wie gut die Vorhersagen mit einer wissensbasierten Karte zur Eisvorkommenwahrscheinlichkeit \u00fcbereinstimmen. Der beste gemeldete RMSE sinkt im Vergleich zur zitierten Basislinie von 0,0377 auf 0,0293, was einer relativen Verringerung von etwa 22% entspricht. Dies ist eine Verbesserung des Benchmark-Werts; es handelt sich nicht um eine Messung zus\u00e4tzlich entdeckter Eisvorkommen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kann ich mich mit dem Projekt vertraut machen, ohne Code zu schreiben?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Sie k\u00f6nnen die Ank\u00fcndigung der NASA lesen, die Modellkarte einsehen, die ver\u00f6ffentlichten Benchmark-Tabellen erkunden und die offizielle Demonstrationsseite besuchen, ohne eine Trainingspipeline aufbauen zu m\u00fcssen. Zur Anpassung des ver\u00f6ffentlichten Checkpoints an eine wissenschaftliche Aufgabe werden der Code, die Daten und die TerraTorch-Konfigurationen aus dem Repository verwendet, gefolgt von einer aufgabenspezifischen Validierung.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">In welcher Beziehung steht das Mondmodell zu Prithvi und Surya?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Sie sind Teil der umfassenderen Zusammenarbeit zwischen der NASA und IBM im Bereich der Grundmodelle f\u00fcr die Wissenschaft. Die NASA beschreibt die Prithvi-Modelle f\u00fcr Erdbeobachtungen und Wetteranwendungen, Surya f\u00fcr die Heliophysik und das Mondmodell f\u00fcr Mondbeobachtungen. Ihre Anwendungsbereiche und vorgesehenen Aufgaben unterscheiden sich; der Mond-Checkpoint wurde bislang nicht \u00fcber den Mond hinaus evaluiert.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das \u201eNASA-IBM Lunar Foundation Model\u201c bietet einen wiederverwendbaren Ausgangspunkt f\u00fcr die Forschung im Bereich der Fernerkundung des Mondes. Nutzen Sie die offiziellen Tabellen, um die St\u00e4rken des Modells zu verstehen, die Modellkarte, um seine Grenzen zu definieren, und die ver\u00f6ffentlichten Ressourcen, um ein auf Ihre Aufgabe zugeschnittenes Experiment zu planen. Wenn Ihr unmittelbares Ziel das Lernen oder das Verfassen eines Textes ist, beginnen Sie damit, diese Quellen in eine gepr\u00fcfte Zusammenfassung umzuwandeln.<\/p>\n\n\n\n<section class=\"glb-lunar-cta\" aria-label=\"Erstellen Sie mit GlobalGPT ein Forschungsbriefing\" style=\"box-sizing:border-box;margin:34px 0 14px;padding:26px;border:1px solid #234e63;border-radius:6px;background:#123142;color:#eef8fc;max-width:100%;overflow-wrap:anywhere;font-family:system-ui,-apple-system,BlinkMacSystemFont,&quot;Segoe UI&quot;,sans-serif;line-height:1.65\"><p class=\"glb-lunar-cta-title\" style=\"box-sizing:border-box;color:#fff;line-height:1.4;margin:0 0 12px;font-size:1.35rem;font-weight:750\">Verwandeln Sie einen Fachartikel in ein Briefing, das Sie nutzen k\u00f6nnen<\/p><p style=\"box-sizing:border-box;color:#e2eef5;line-height:1.7;margin:12px 0 20px\">Bringen Sie Ihre offiziellen Quellen in GlobalGPT ein, setzen Sie sich mit unbekannten Konzepten auseinander und verarbeiten Sie die gepr\u00fcften Ergebnisse zu \u00fcbersichtlichen Notizen oder einem fertigen Entwurf \u2013 alles in einem einzigen, modell\u00fcbergreifenden Arbeitsbereich.<\/p><a class=\"glb-lunar-cta-button\" href=\"https:\/\/www.glbgpt.com\/home?inviter=hub_content_home&amp;login=1\" style=\"box-sizing:border-box;display:inline-block;padding:12px 17px;border-radius:4px;background:#d9f2ef;color:#103b3b;font-weight:750;text-decoration:none;line-height:1.5;max-width:100%;overflow-wrap:anywhere\">Entdecken Sie die Forschung mit GlobalGPT<\/a><\/section>","protected":false},"excerpt":{"rendered":"<p>The NASA-IBM Lunar Foundation Model is an open AI model for analyzing lunar observations. Announced on September 10, 2026, it can be adapted to detect craters, outline volcanic features, and predict patterns in an ice-prospectivity map. Its reported gains concern specific research benchmarks: the headline ice result is lower prediction error, not the discovery of [&hellip;]<\/p>","protected":false},"author":7,"featured_media":20209,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"","_seopress_titles_title":"NASA-IBM Lunar Foundation Model: Uses, Results & Access","_seopress_titles_desc":"Learn what the NASA-IBM Lunar Foundation Model does, how to read its ice and crater benchmarks, and where to get the open model, data, and research code.","_seopress_robots_index":"","footnotes":""},"categories":[7],"tags":[],"class_list":["post-20207","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-chat"],"acf":[],"_links":{"self":[{"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/posts\/20207","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/comments?post=20207"}],"version-history":[{"count":2,"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/posts\/20207\/revisions"}],"predecessor-version":[{"id":20215,"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/posts\/20207\/revisions\/20215"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/media\/20209"}],"wp:attachment":[{"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/media?parent=20207"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/categories?post=20207"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.glbgpt.com\/de\/wp-json\/wp\/v2\/tags?post=20207"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}