{"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\/es\/hub\/nasa-ibm-lunar-foundation-model","title":{"rendered":"Modelo Lunar de la NASA e IBM: usos, resultados y acceso"},"content":{"rendered":"<p class=\"wp-block-paragraph\"><strong>El modelo \u00abLunar Foundation Model\u00bb de la NASA e IBM es un modelo de inteligencia artificial de c\u00f3digo abierto destinado al an\u00e1lisis de observaciones lunares.<\/strong> Anunciado el 10 de septiembre de 2026, puede adaptarse para detectar cr\u00e1teres, delinear formaciones volc\u00e1nicas y predecir patrones en un mapa de prospectividad de hielo. Las ventajas que se le atribuyen se refieren a par\u00e1metros de referencia espec\u00edficos de la investigaci\u00f3n: el resultado principal en relaci\u00f3n con el hielo es un menor error de predicci\u00f3n, no el descubrimiento de 22% m\u00e1s agua en la Luna.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Para los estudiantes e investigadores, los puntos de partida m\u00e1s \u00fatiles son los <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">ficha oficial del modelo<\/a>, el informe t\u00e9cnico y el c\u00f3digo publicado. En conjunto, explican qu\u00e9 ha aprendido el modelo, qu\u00e9 tareas se han evaluado y qu\u00e9 se necesitar\u00eda para crear tu propio experimento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si lo primero que tienes que hacer es comprender el estudio, <a href=\"https:\/\/www.glbgpt.com\/home?inviter=hub_content_home&amp;login=1\">GlobalGPT<\/a> Re\u00fane la b\u00fasqueda de fuentes, el an\u00e1lisis de documentos, el razonamiento y la redacci\u00f3n en un \u00fanico espacio de trabajo multimodelo. Ofrece una forma asequible de pasar de t\u00e9rminos cient\u00edficos desconocidos a un resumen de investigaci\u00f3n claro mediante una \u00fanica suscripci\u00f3n.<\/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=\"Panel de control de GlobalGPT\" 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>Prueba m\u00e1s de 100 modelos destacados en GlobalGPT<\/strong><\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n<nav class=\"glb-lunar-toc\" aria-label=\"\u00cdndice\" 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\">Explora la maqueta de la Luna<\/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\">\u00bfQu\u00e9 es el Modelo de Base Lunar de la NASA e 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\">\u00bfDe qu\u00e9 datos aprende?<\/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\">Tres tareas que puede realizar<\/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\">Qu\u00e9 significan los resultados de las pruebas de rendimiento<\/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\">D\u00f3nde conseguirlo y cu\u00e1nto cuesta el acceso<\/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\">Utiliza la IA para comprender la investigaci\u00f3n<\/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\">L\u00edmites que importan en la pr\u00e1ctica<\/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\">Preguntas frecuentes<\/a><\/li><\/ol><\/nav>\n\n\n\n<h2 id=\"what-is-it\" class=\"wp-block-heading\">\u00bfQu\u00e9 es el Modelo de Base Lunar de la NASA e IBM?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"https:\/\/science.nasa.gov\/science-research\/artificial-intelligence-lunar-foundation-model\/\">El comunicado de la NASA<\/a> presenta el proyecto como un modelo base para la ciencia lunar, desarrollado en colaboraci\u00f3n con IBM. Un modelo base aprende patrones reutilizables a partir de una amplia recopilaci\u00f3n de datos; a continuaci\u00f3n, los investigadores adaptan esos patrones a una tarea m\u00e1s espec\u00edfica. En este caso, el material son datos de teledetecci\u00f3n lunar, en lugar del lenguaje cotidiano.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El LFM de la NASA e IBM utiliza un codificador y un decodificador de tipo \u00abvision transformer\u00bb, con una arquitectura ViT-B. Entre sus entradas se incluyen im\u00e1genes y otros productos de observaci\u00f3n con diferentes resoluciones espaciales. Un cient\u00edfico puede adaptar la representaci\u00f3n resultante para la detecci\u00f3n, la segmentaci\u00f3n o la regresi\u00f3n: tres formas de localizar objetos, delimitar regiones y predecir valores num\u00e9ricos.<\/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=\"Comunicado de la NASA en el que se presenta el \u00abLunar Foundation Model\u00bb de la NASA e IBM para la ciencia lunar.\" 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\/\">La NASA ha presentado el modelo lunar<\/a> el 10 de septiembre de 2026, con acceso p\u00fablico al modelo y al c\u00f3digo.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Esto hace que esta versi\u00f3n resulte \u00fatil para los equipos que trabajan con mapas lunares y para los estudiantes que se dedican al aprendizaje autom\u00e1tico planetario. Tambi\u00e9n merece la pena consultar el proyecto para cualquiera que quiera comprender c\u00f3mo se eval\u00faa un modelo cient\u00edfico de IA. Sin embargo, el uso de su punto de control forma parte de un flujo de trabajo de investigaci\u00f3n inform\u00e1tica, m\u00e1s que de una conversaci\u00f3n por chat.<\/p>\n\n\n\n<h2 id=\"data-and-design\" class=\"wp-block-heading\">\u00bfDe qu\u00e9 datos aprende?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">ficha del modelo<\/a> describe los datos de entrenamiento de SomBench: 963.609 conjuntos de mosaicos de c\u00e1mara de gran angular (WAC) y 1.000.113 conjuntos de c\u00e1mara de \u00e1ngulo estrecho (NAC). La escala de la WAC es de unos 100 metros por p\u00edxel; la de la NAC, de aproximadamente 1 metro por p\u00edxel. Esto proporciona al modelo tanto un contexto del terreno m\u00e1s amplio como detalles de la superficie mucho m\u00e1s precisos, a trav\u00e9s de unos dos millones de conjuntos de mosaicos.<\/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 describe el recurso de datos en su conjunto<\/a> que consta de m\u00e1s de 30 capas alineadas procedentes de nueve instrumentos de cuatro misiones. La ficha del modelo especifica 11 modalidades de entrada. Estas figuras describen las diferentes etapas del proceso de tratamiento de datos: capas de origen, ejemplos de entrenamiento empaquetados y tipos de entrada que codifica el modelo.<\/p>\n\n\n\n<section class=\"glb-lunar-data\" aria-label=\"Datos lunares y datos de entrada de los modelos\" 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\">Un proyecto, tres unidades de medida diferentes<\/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\">M\u00e1s de 30 capas de origen<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">IBM describe un conjunto de datos recopilados a partir de nueve instrumentos de cuatro misiones diferentes.<\/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 paquetes<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">Los 963.609 paquetes WAC y los 1.000.113 paquetes NAC ofrecen dos niveles de material formativo.<\/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 modalidades de entrada<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">El modelo codifica diferentes tipos de observaciones, entre las que se incluyen im\u00e1genes y productos topogr\u00e1ficos.<\/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\">Las capas de origen, los paquetes de mosaicos y las modalidades de entrada se cuentan de forma diferente. Fuentes: <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\">Descripci\u00f3n del conjunto de datos de IBM<\/a> y el <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\" style=\"box-sizing:border-box;color:#10594e;text-decoration:underline\">ficha oficial del modelo<\/a>.<\/p><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">La iluminaci\u00f3n tambi\u00e9n forma parte del dise\u00f1o. El modelo recibe la geometr\u00eda de observaci\u00f3n, incluidos los \u00e1ngulos de iluminaci\u00f3n, como contexto expl\u00edcito. Esto ayuda a distinguir el aspecto que tiene una superficie bajo una iluminaci\u00f3n concreta de los patrones del terreno subyacentes que est\u00e1 aprendiendo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un p\u00edxel que representa aproximadamente 100 metros de terreno no puede revelar los mismos detalles que un p\u00edxel que representa aproximadamente 1 metro. Por eso, los resultados de los cr\u00e1teres obtenidos con WAC y NAC merecen una atenci\u00f3n especial. Una mejora en las im\u00e1genes a gran escala no implica la misma mejora en los peque\u00f1os accidentes del relieve.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El proyecto sigue el enfoque de preentrenamiento de TerraMind, pero se entrena a partir de datos lunares desde cero. Por lo tanto, debe entenderse como un modelo creado para observaciones lunares, y no como un punto de referencia de observaci\u00f3n de la Tierra con un nuevo nombre. La cuesti\u00f3n relevante es c\u00f3mo la representaci\u00f3n que ha aprendido contribuye a una tarea lunar concreta.<\/p>\n\n\n\n<h2 id=\"what-it-can-do\" class=\"wp-block-heading\">Tres tareas que puede realizar<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Las evaluaciones publicadas abarcan tres grupos de tareas. Cada uno de ellos genera un tipo diferente de respuesta, por lo que el significado de \u201cmejor\u201d var\u00eda en funci\u00f3n de la tarea.<\/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\">Tarea<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Salida<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Lo que el resultado puede respaldar<\/th><\/tr><\/thead><tbody><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Detecci\u00f3n de cr\u00e1teres<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Cajas delimitadoras alrededor de los cr\u00e1teres en im\u00e1genes WAC o NAC<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Comparaci\u00f3n de la eficacia de un detector a la hora de detectar y localizar cr\u00e1teres marcados.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Segmentaci\u00f3n irregular de la mancha de la yegua<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Un esquema a nivel de p\u00edxel de las caracter\u00edsticas de la superficie volc\u00e1nica<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Analizar en qu\u00e9 medida las regiones predichas coinciden con los l\u00edmites de las caracter\u00edsticas etiquetadas.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Regresi\u00f3n de la prospectividad de los hielos polares<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Una predicci\u00f3n continua de un mapa de prospectividad basado en el conocimiento<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">An\u00e1lisis de la concordancia con un objetivo modelizado para posibles condiciones relacionadas con el hielo.<\/td><\/tr><\/tbody><\/table><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">La detecci\u00f3n de cr\u00e1teres y la segmentaci\u00f3n de caracter\u00edsticas volc\u00e1nicas pueden ayudar a los investigadores a organizar y analizar las im\u00e1genes. Su utilidad depende de las etiquetas, la escala y el \u00e1rea de evaluaci\u00f3n. Un modelo que funcione bien en un conjunto de prueba definido a\u00fan debe someterse a una evaluaci\u00f3n con los datos y la cuesti\u00f3n cient\u00edfica de un nuevo proyecto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>La prospectividad del hielo requiere una interpretaci\u00f3n muy cuidadosa.<\/strong> El objetivo es elaborar un mapa basado en los conocimientos que indique d\u00f3nde podr\u00eda haber hielo, no realizar una medici\u00f3n directa de los dep\u00f3sitos de hielo. Una mayor concordancia con ese mapa puede servir de apoyo a la investigaci\u00f3n sobre patrones y regiones candidatas. No nos indica que se haya encontrado una cantidad adicional de agua.<\/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=\"Ficha t\u00e9cnica oficial sobre la Luna en la que se describen los usos en investigaci\u00f3n y las limitaciones de las predicciones sobre la presencia de hielo.\" 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\">En <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">ficha oficial del modelo<\/a> define la prospectividad del hielo como un objetivo modelizado y descarta la certificaci\u00f3n de los lugares de aterrizaje.<\/figcaption><\/figure>\n\n\n\n<h2 id=\"benchmarks\" class=\"wp-block-heading\">Qu\u00e9 significan los resultados de las pruebas de rendimiento<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\">informe t\u00e9cnico<\/a> ofrece las medias y las desviaciones est\u00e1ndar obtenidas con cinco semillas aleatorias. Sus resultados comparan configuraciones adaptadas del modelo lunar con modelos de visi\u00f3n de referencia espec\u00edficos. Hemos comprobado las tablas publicadas; no hemos reproducido los experimentos del modelo lunar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Las m\u00e9tricas responden a diferentes preguntas. La precisi\u00f3n media (mAP) eval\u00faa la detecci\u00f3n de objetos; la intersecci\u00f3n sobre la uni\u00f3n (IoU) mide el solapamiento entre las regiones predichas y las etiquetadas; el error cuadr\u00e1tico medio (RMSE) mide el error num\u00e9rico de predicci\u00f3n. Cuanto m\u00e1s altos sean los valores de mAP e IoU, mejor, mientras que cuanto m\u00e1s bajo sea el RMSE, mejor. No deben combinarse en una \u00fanica puntuaci\u00f3n de precisi\u00f3n.<\/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=\"Tabla oficial de referencia en la que se compara el modelo lunar con los modelos de referencia preentrenados con ImageNet.\" 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\">En <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">tabla comparativa de los autores<\/a> indica un aumento de la prospectividad en cuanto a la presencia de hielo y resultados comparables en cuanto a cr\u00e1teres y formaciones volc\u00e1nicas a escala de metro.<\/figcaption><\/figure>\n\n\n\n<section class=\"glb-lunar-results\" aria-label=\"Resultados de pruebas comparativas del modelo lunar facilitados por los autores\" 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\">Error de prospectividad del hielo: la mejora m\u00e1s evidente de las registradas<\/p><p style=\"box-sizing:border-box;color:#e0edf3;line-height:1.65;margin:12px 0\">El RMSE descendi\u00f3 desde <strong style=\"box-sizing:border-box;color:#fff\">De 0,0377 a 0,0293<\/strong> contra SwinV2-B, un <strong style=\"box-sizing:border-box;color:#fff\">22,31 TP40T: reducci\u00f3n relativa<\/strong>. Un RMSE m\u00e1s bajo indica una mayor concordancia con el mapa de prospectividad glaciar de referencia.<\/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 Preentrenado con ImageNet<\/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 ajuste fino completo<\/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: cuanto menor, mejor. Las barras comienzan en cero. Media \u00b1 desviaci\u00f3n est\u00e1ndar de cinco semillas. El objetivo es un mapa de prospectividad modelizado, no una medici\u00f3n del hielo.<\/p><div class=\"glb-lunar-results-scroll\" role=\"region\" aria-label=\"Otros resultados de pruebas de rendimiento de Lunar\" 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\">Tarea y datos<\/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\">Sistema m\u00e9trico \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\">Modelo lunar<\/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\">Una base s\u00f3lida<\/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\">Cr\u00e1teres WAC \u00b7 Datos de entrenamiento 50%<\/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\">ajuste completo<\/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\">Cr\u00e1teres WAC \u00b7 Datos de entrenamiento 100%<\/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\">Cr\u00e1teres del NAC \u00b7 Datos de entrenamiento 100%<\/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\">Manchas irregulares en la yegua<\/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\">codificador bloqueado<\/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\">Los autores describen los resultados relativos a los cr\u00e1teres y las formaciones volc\u00e1nicas a escala m\u00e9trica como comparables a unas referencias s\u00f3lidas. Sus peque\u00f1as diferencias deben interpretarse teniendo en cuenta la variaci\u00f3n entre series de mediciones.<\/p><p class=\"glb-lunar-results-note\" style=\"box-sizing:border-box;color:#c7dce6;line-height:1.65;margin:12px 0;font-size:.89rem\">Fuente: <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\">Informe t\u00e9cnico de la NASA e IBM<\/a>, Tablas 4 a 7, p\u00e1ginas 16 y 18. Se trata de los resultados de los autores, no de una reproducci\u00f3n independiente.<\/p><\/section>\n\n\n\n<h3 class=\"wp-block-heading\">El resultado del 22% en \u00abice\u00bb supone una reducci\u00f3n del error<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">En cuanto al potencial de hielo, la configuraci\u00f3n lunar m\u00e1s s\u00f3lida de las registradas presenta un RMSE de 0,0293, frente al 0,0377 de SwinV2-B. El c\u00e1lculo es el siguiente: <strong>(0,0377 \u2212 0,0293) \u00f7 0,0377 \u00d7 100 = 22,3%<\/strong>. El RMSE mide el error de predicci\u00f3n con respecto al mapa de referencia; cuanto menor sea, mejor. Este porcentaje no es ni una puntuaci\u00f3n de precisi\u00f3n ni un cambio en la cantidad de hielo lunar.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Los resultados de Crater dependen de la m\u00e9trica y de la escala de datos<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Con 50% de los datos de entrenamiento del WAC, el modelo lunar registra un mAP de 0,2541 frente al 0,2313 de SwinV2-B. Ese mismo resultado del modelo lunar tambi\u00e9n supera el 0,2420 de la l\u00ednea de base con 100% de datos de entrenamiento. La primera comparaci\u00f3n utiliza fracciones de datos iguales; la segunda es una prueba de la eficiencia de las etiquetas en este experimento concreto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La mejora de aproximadamente 19% de IBM en el cr\u00e1ter puede conciliarse con los valores de AP@75 del informe con datos de entrenamiento de 50%: 0,2213 frente a 0,1862, lo que supone un aumento relativo de 18,9%. AP@75 eval\u00faa las detecciones con un umbral de solapamiento concreto. No debe reinterpretarse como un aumento de 19% en la m\u00e9trica mAP de la tabla.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En la escala NAC m\u00e1s detallada, el mAP del modelo lunar es de 0,1543 y el del modelo de referencia, de 0,1552. En el caso de \u00abIrregular Mare Patches\u00bb, los valores de IoU en primer plano comunicados son 0,5709 y 0,5687 frente a ConvNeXtV2-B. Los autores describen estas tareas como comparables a modelos de referencia s\u00f3lidos. Las peque\u00f1as diferencias, junto con la variaci\u00f3n comunicada entre ejecuciones, no respaldan la afirmaci\u00f3n de que el modelo lunar supere al resto en todos los aspectos.<\/p>\n\n\n\n<h2 id=\"access-and-cost\" class=\"wp-block-heading\">D\u00f3nde conseguirlo y cu\u00e1nto cuesta el acceso<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Empieza por los recursos oficiales que se indican a continuaci\u00f3n. Los pesos del modelo y el c\u00f3digo est\u00e1n sujetos a una licencia Apache-2.0, y el punto de control est\u00e1 disponible p\u00fablicamente. El repositorio describe espec\u00edficamente un <strong>Versi\u00f3n de ajuste fino e inferencia<\/strong>; excluye expl\u00edcitamente el c\u00f3digo de preentrenamiento.<\/p>\n\n\n\n<section class=\"glb-lunar-access\" aria-label=\"Recursos oficiales sobre modelos lunares\" 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\">Elige el recurso para tu pr\u00f3ximo paso<\/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\">Lee la ficha del modelo<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Empieza por los usos previstos, los datos de entrada, las licencias y las limitaciones.<\/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\">Descargar pesos y configuraci\u00f3n<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">La pesta\u00f1a \u00abArchivos\u00bb contiene el punto de control publicado y los archivos asociados.<\/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\">Revisar el c\u00f3digo de ajuste fino y de inferencia<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Utiliza el archivo README y las configuraciones de tareas de TerraTorch para planificar un experimento.<\/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\">Explora modelos y recursos de datos<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Sigue la colecci\u00f3n oficial para acceder a los modelos y conjuntos de datos relacionados.<\/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\">Lee el informe t\u00e9cnico<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Las tablas 4 a 7 recogen los resultados de las tareas, los par\u00e1metros y la variaci\u00f3n entre las ejecuciones.<\/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\">Visita la demostraci\u00f3n oficial<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Echa un vistazo a la versi\u00f3n de demostraci\u00f3n del proyecto. En esta revisi\u00f3n no hemos llevado a cabo ninguna generaci\u00f3n.<\/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\">Al consultar la ficha del modelo el 28 de septiembre de 2026, no figuraba ning\u00fan proveedor de inferencia de Hugging Face implementado. El punto de control descargable y la p\u00e1gina de demostraci\u00f3n son v\u00edas de acceso independientes.<\/p><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Si deseas adaptar el modelo, selecciona la tarea posterior antes de configurar el experimento. El repositorio proporciona componentes y configuraciones compatibles con TerraTorch que conectan el punto de control, la tarea y los datos. TerraTorch es el marco de software que se utiliza para organizar ese flujo de trabajo de entrenamiento y evaluaci\u00f3n.<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Lee la ficha del modelo y el archivo README; a continuaci\u00f3n, elige entre detecci\u00f3n, segmentaci\u00f3n o regresi\u00f3n en funci\u00f3n de la cuesti\u00f3n cient\u00edfica.<\/li>\n\n\n\n<li>Consigue los datos correspondientes y el punto de control oficial, y revisa la configuraci\u00f3n de las tareas y las instrucciones sobre el entorno del repositorio.<\/li>\n\n\n\n<li>Prepara los datos para esa configuraci\u00f3n y ejecuta el flujo de trabajo de ajuste fino o de inferencia correspondiente.<\/li>\n\n\n\n<li>Eval\u00faa los resultados compar\u00e1ndolos con un valor de referencia adecuado y conserva la divisi\u00f3n de datos, la configuraci\u00f3n y los resultados para poder comprobar el resultado.<\/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=\"Archivo README oficial de GitHub en el que se describe el lanzamiento del modelo lunar para el ajuste fino y la inferencia.\" 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\">En <a href=\"https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\">repositorio oficial<\/a> proporciona c\u00f3digo para el ajuste fino y la inferencia; no incluye c\u00f3digo de preentrenamiento.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">El acceso abierto elimina la compra de una licencia del modelo en la fase inicial del proceso, pero la ejecuci\u00f3n de un experimento sigue conllevando costes. Se necesita potencia de c\u00e1lculo, almacenamiento, preparaci\u00f3n de datos y tiempo para la evaluaci\u00f3n. Un punto de control publicado no incluye autom\u00e1ticamente una API alojada ni tiempo de GPU gratuito, y los c\u00f3digos fuente no establecen una GPU m\u00ednima universal para todas las tareas posteriores.<\/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\">Tu objetivo<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Recurso o gasto que hay que tener en cuenta<\/th><\/tr><\/thead><tbody><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Lee y eval\u00faa el comunicado<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Anuncios p\u00fablicos, ficha del modelo, informe y repositorio.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Ejecutar o adaptar el modelo cient\u00edfico<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Recursos inform\u00e1ticos y de almacenamiento adecuados, datos pertinentes, configuraci\u00f3n del entorno y tareas de evaluaci\u00f3n.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Comprender los art\u00edculos y redactar un resumen de investigaci\u00f3n<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Un espacio de trabajo para asistentes de investigaci\u00f3n, como GlobalGPT, que incluye acceso a modelos y herramientas de gesti\u00f3n de documentos en una sola suscripci\u00f3n.<\/td><\/tr><\/tbody><\/table><\/div>\n\n\n\n<h2 id=\"research-workflow\" class=\"wp-block-heading\">Utiliza la IA para comprender la investigaci\u00f3n<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una primera pregunta constructiva debe ser concreta: \u201c\u00bfQu\u00e9 mide realmente la mejora indicada de 22%?\u201d. Para responderla se necesita un objetivo, un indicador, un valor de referencia y un c\u00e1lculo. Solicitar esos cuatro elementos resulta m\u00e1s \u00fatil que preguntarle a un asistente si el modelo es impresionante.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">GlobalGPT te permite llevar a cabo ese trabajo de lectura \u2014desde la b\u00fasqueda de fuentes hasta la explicaci\u00f3n de documentos y la redacci\u00f3n\u2014 sin tener que cambiar de herramienta en cada paso. Para un m\u00e9todo repetible, <a href=\"https:\/\/www.glbgpt.com\/hub\/how-to-use-perplexity-for-research\/\">elaborar un informe de investigaci\u00f3n con referencias contrastadas<\/a> con una breve lista de fuentes y preguntas concretas antes de solicitar un resumen bien elaborado.<\/p>\n\n\n\n<section class=\"glb-lunar-workflow\" aria-label=\"Un proceso de investigaci\u00f3n en tres pasos\" 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\">De las fuentes oficiales a un informe informativo \u00fatil<\/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\">Recoge el material primario.<\/strong> Empieza por el comunicado de la NASA y, a continuaci\u00f3n, a\u00f1ade la ficha del modelo, el informe t\u00e9cnico y el archivo README. Puedes <a href=\"https:\/\/www.glbgpt.com\/perplexity?inviter=hub_content_perplexity&amp;login=1\" style=\"box-sizing:border-box;color:#125977;text-decoration:underline\">investigaci\u00f3n con Perplexity sobre GlobalGPT<\/a> para localizar fuentes que lo respalden.<\/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\">Haz preguntas concretas.<\/strong> Pide a un asistente que te explique por separado los conceptos de mAP, IoU y RMSE; a continuaci\u00f3n, enumera el objetivo, la referencia y el contexto de evaluaci\u00f3n que subyace a cada afirmaci\u00f3n.<\/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\">Comprueba y escribe.<\/strong> Vuelve a abrir la tabla mencionada, comprueba cada cifra y convierte las notas revisadas en un informe que respete los l\u00edmites cient\u00edficos.<\/li><\/ol><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Probamos una versi\u00f3n reducida de este flujo de trabajo con GPT-5.6 Sol. El sistema recibi\u00f3 un paquete de informaci\u00f3n extra\u00edda de las cuatro fuentes oficiales y tuvo que elaborar un breve informe, clasificar seis afirmaciones, calcular la reducci\u00f3n del RMSE y sugerir los siguientes pasos pr\u00e1cticos. La tarea utiliz\u00f3 texto proporcionado; no busc\u00f3 nuevas pruebas.<\/p>\n\n\n\n<section class=\"glb-lunar-setup\" aria-label=\"Configuraci\u00f3n de la prueba para el informe de investigaci\u00f3n\" 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\">Una prueba de informaci\u00f3n basada en fuentes<\/p><p style=\"box-sizing:border-box;margin:8px 0;color:#243f4c;line-height:1.65\">Le proporcionamos a GPT-5.6 Sol un breve resumen extra\u00eddo del comunicado de la NASA, la ficha t\u00e9cnica oficial, el informe t\u00e9cnico y el archivo README de GitHub. Ten\u00eda que redactar un informe, verificar seis afirmaciones y explicar el c\u00e1lculo del RMSE.<\/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\">Espacio de trabajo y fecha<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">GlobalGPT \u00b7 28 de septiembre de 2026<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Aplicar la pol\u00edtica<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Una tarea; una \u00fanica respuesta completa; sin segundas oportunidades<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Entrada<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Paquete de fuentes de 355 palabras con cuatro identificadores de fuente<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Alcance<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Lectura y s\u00edntesis; sin b\u00fasqueda en tiempo real ni ejecuci\u00f3n del modelo lunar<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Configuraci\u00f3n de respuestas<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">L\u00edmite de tokens de salida: 4.096; el resto de controles de muestreo se mantienen en los valores predeterminados del servicio<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Uso y coste<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Se han declarado un total de 2.154 tokens; la respuesta no inclu\u00eda ning\u00fan cargo monetario<\/dd><\/div><\/dl><\/section>\n\n\n\n<section class=\"glb-lunar-t01\" aria-label=\"Resultados de la prueba de informaci\u00f3n basada en fuentes\" 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\">La primera respuesta se ci\u00f1\u00f3 al \u00e1mbito de las afirmaciones cient\u00edficas<\/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\">Las comprobaciones de las afirmaciones coincidieron con las fuentes facilitadas<\/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\">Reducci\u00f3n correcta del RMSE relativo<\/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\">Es hora de dar una respuesta completa<\/span><\/div><\/div><p style=\"box-sizing:border-box;color:#25434f;line-height:1.65;margin:12px 0\">La respuesta consisti\u00f3 en un informe de 112 palabras, en el que se rechazaba la afirmaci\u00f3n de que el modelo hubiera descubierto 22% m\u00e1s hielo real y se manten\u00edan las restricciones relativas a la certificaci\u00f3n de los lugares de aterrizaje y al acceso al c\u00f3digo de entrenamiento previo. Sus tres pasos siguientes remit\u00edan a la ficha oficial del modelo, al punto de control y a los recursos de TerraTorch.<\/p><p class=\"glb-lunar-t01-note\" style=\"box-sizing:border-box;color:#405967;line-height:1.65;margin:12px 0;font-size:.91rem\">Se trataba de una tarea de lectura basada en el material facilitado. En el paquete de fuentes ya se indicaban las limitaciones principales. El resultado no permite evaluar el rendimiento en materia de investigaci\u00f3n aut\u00f3noma ni de inferencia mediante teledetecci\u00f3n lunar.<\/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\">Ver el mensaje exacto y el paquete de origen<\/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\">SISTEMA\nEres un editor de investigaci\u00f3n meticuloso que escribe para un estudiante universitario. Utiliza \u00fanicamente el paquete de fuentes facilitado. No busques informaci\u00f3n adicional. Distingue entre las mediciones de referencia comunicadas y las mediciones cient\u00edficas del mundo real. Cita los identificadores de las fuentes entre corchetes. Si una afirmaci\u00f3n no est\u00e1 respaldada, ind\u00edcalo claramente. No inventes citas, precios, requisitos de hardware ni resultados experimentales. Proporciona la respuesta solicitada, no un razonamiento oculto.\n\nUSUARIO\nConvierte el paquete de fuentes en una nota de investigaci\u00f3n pr\u00e1ctica. Entrega: (1) un resumen en lenguaje sencillo de entre 100 y 130 palabras; (2) una tabla de verificaci\u00f3n de afirmaciones de seis filas en la que utilices exactamente \u00abRespaldada\u00bb o \u00abNo respaldada\u00bb, un identificador de fuente y una explicaci\u00f3n de una sola frase para cada afirmaci\u00f3n proporcionada; (3) la reducci\u00f3n relativa del RMSE calculada de 0,0377 a 0,0293, redondeada a un decimal, con una f\u00f3rmula y una frase que explique lo que no mide; (4) tres pasos pr\u00e1cticos a seguir para un estudiante que desee examinar o adaptar el modelo publicado. La respuesta completa debe tener menos de 500 palabras.\n\nAfirmaciones que hay que comprobar:\n1. La NASA e IBM anunciaron p\u00fablicamente el modelo el 10 de septiembre de 2026.\n2. El RMSE de la prospectividad de hielo pas\u00f3 de 0,0377 para SwinV2-B a 0,0293 para el modelo lunar completamente ajustado.\n3. El modelo descubri\u00f3 22% m\u00e1s hielo de agua real en la Luna.\n4. La NASA ha validado este modelo para la certificaci\u00f3n de lugares de aterrizaje y la evaluaci\u00f3n de riesgos.\n5. La publicaci\u00f3n en GitHub incluye el c\u00f3digo de preentrenamiento.\n6. Un punto de control abierto garantiza que el c\u00e1lculo en GPU y la inferencia alojada sean gratuitos.\n\nPaquete de fuentes:\n[S1] Comunicado de la NASA, 10 de septiembre de 2026.\nT\u00edtulo: La NASA e IBM lanzan un modelo base de IA para la ciencia lunar.\nURL: https:\/\/science.nasa.gov\/science-research\/artificial-intelligence-lunar-foundation-model\/\nLa NASA ha anunciado un modelo base para la ciencia lunar desarrollado junto con IBM. Est\u00e1 alojado p\u00fablicamente en Hugging Face, y el c\u00f3digo se encuentra en GitHub. Puede adaptarse para la cartograf\u00eda de cr\u00e1teres, la identificaci\u00f3n de caracter\u00edsticas volc\u00e1nicas y la investigaci\u00f3n del hielo polar.\n\n[S2] Ficha oficial del modelo y informe t\u00e9cnico de la NASA e IBM, consultados el 28 de septiembre de 2026.\nURL de la ficha del modelo: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\nURL del informe t\u00e9cnico: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\nLa tabla 7 del informe (p\u00e1gina 18) ofrece el error cuadr\u00e1tico medio (RMSE) del conjunto de prueba para la regresi\u00f3n de prospectividad de hielo. Cuanto menor sea, mejor. Media m\u00e1s o menos la desviaci\u00f3n est\u00e1ndar en cinco semillas aleatorias: NASA-IBM LFM con ajuste fino completo, 0,0293 \u00b1 0,0013; SwinV2-B preentrenado con ImageNet, 0,0377 \u00b1 0,0004. El objetivo es un mapa de prospectividad de hielo basado en el conocimiento. Se trata de resultados de referencia comunicados por los autores, no de una r\u00e9plica independiente ni de una medici\u00f3n directa de hielo de agua.\nTabla 4 (p\u00e1gina 16), cr\u00e1teres del WAC con datos de entrenamiento 50%: el mAP del cuadro delimitador es de 0,2541 \u00b1 0,0018 para LFM totalmente ajustado y de 0,2313 \u00b1 0,0027 para SwinV2-B. En las mismas filas, el AP@75 es de 0,2213 \u00b1 0,0028 y 0,1862 \u00b1 0,0041, respectivamente. Estas m\u00e9tricas no deben intercambiarse.\n\n[S3] Ficha t\u00e9cnica oficial del modelo, uso previsto \/ fuera del \u00e1mbito de aplicaci\u00f3n \/ limitaciones.\nURL: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\nEl uso previsto es la teledetecci\u00f3n lunar mediante ajuste fino o adaptaci\u00f3n LoRA para la detecci\u00f3n, la segmentaci\u00f3n y la regresi\u00f3n densa. El modelo no est\u00e1 validado para la certificaci\u00f3n de lugares de aterrizaje ni para la evaluaci\u00f3n de riesgos. Los resultados sobre el potencial de hielo se basan en un mapa basado en el conocimiento, no en mediciones del hielo. Los campos generados son sondeos cualitativos, no predicciones cient\u00edficas calibradas. El modelo no mantiene un marco de referencia geod\u00e9sico absoluto. No se ha evaluado m\u00e1s all\u00e1 de la Luna. La licencia indicada es Apache-2.0. La p\u00e1gina no indica ninguna implementaci\u00f3n de Inference Provider. Este paquete no ofrece ninguna garant\u00eda de computaci\u00f3n gratuita en GPU ni de inferencia alojada gratuita, ni especifica requisitos m\u00ednimos de hardware ni el precio de la API alojada.\n\n[S4] Archivo README oficial de GitHub, consultado el 28 de septiembre de 2026.\nURL: https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\nEl repositorio describe una versi\u00f3n de ajuste fino e inferencia. No se incluye c\u00f3digo de preentrenamiento. Los pesos y la configuraci\u00f3n se pueden descargar del repositorio oficial de modelos de Hugging Face. Se proporcionan m\u00f3dulos de datos, tareas, envoltorios de backbone y configuraciones de tareas compatibles con TerraTorch. El ajuste fino y las pruebas requieren los datos, el punto de control y la configuraci\u00f3n de tareas pertinentes. El archivo README indica una licencia Apache 2.0.\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\">Ver la primera respuesta completa<\/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. Resumen\n\nLa NASA e IBM anunciaron el Lunar Foundation Model el 10 de septiembre de 2026. La versi\u00f3n p\u00fablica ofrece los pesos en Hugging Face y el c\u00f3digo de ajuste fino e inferencia en GitHub, y est\u00e1 orientada a tareas de teledetecci\u00f3n lunar como la cartograf\u00eda de cr\u00e1teres, la identificaci\u00f3n de caracter\u00edsticas volc\u00e1nicas y la investigaci\u00f3n del hielo polar. Seg\u00fan se informa, su prueba de rendimiento en la prospecci\u00f3n de hielo mejora el RMSE con respecto a un SwinV2-B preentrenado en ImageNet, pero el objetivo es un mapa basado en el conocimiento, no en mediciones directas del hielo lunar. El resultado, seg\u00fan informan los autores, se ha obtenido con cinco semillas aleatorias y no se trata de una r\u00e9plica independiente. El modelo est\u00e1 pensado para su adaptaci\u00f3n mediante un ajuste fino completo o LoRA, pero no est\u00e1 validado para la certificaci\u00f3n de lugares de aterrizaje ni para la evaluaci\u00f3n de riesgos. No se incluye el c\u00f3digo de preentrenamiento, y la publicaci\u00f3n no promete ni recursos de GPU gratuitos ni inferencia alojada. [S1][S2][S3][S4]\n\n## 2. Tabla de verificaci\u00f3n de afirmaciones\n\n| Afirmaci\u00f3n | Veredicto | Fuente | Explicaci\u00f3n |\n|---|---|---|---|\n| 1 | Confirmada | [S1] | El anuncio de la NASA data del 10 de septiembre de 2026 e identifica el modelo como un proyecto de la NASA e IBM. |\n| 2 | Respaldada | [S2] | La tabla 7 recoge valores de RMSE de 0,0377 para SwinV2-B y de 0,0293 para el modelo lunar totalmente ajustado. |\n| 3 | No respaldado | [S2] | Las cifras son errores de referencia respecto a un mapa de prospectividad basado en el conocimiento, no mediciones de hielo de agua lunar real. |\n| 4 | No respaldado | [S3] | La ficha del modelo indica expl\u00edcitamente que el modelo no est\u00e1 validado para la certificaci\u00f3n de lugares de aterrizaje ni para la evaluaci\u00f3n de riesgos. |\n| 5 | No compatible | [S4] | El repositorio de GitHub proporciona recursos de ajuste fino e inferencia, pero excluye el c\u00f3digo de preentrenamiento. |\n| 6 | No compatible | [S3] | El paquete no promete computaci\u00f3n gratuita en GPU ni inferencia alojada, y no indica ning\u00fan despliegue de un proveedor de inferencia. |\n\n## 3. Reducci\u00f3n relativa del RMSE\n\n\\[\n\\frac{0,0377-0,0293}{0,0377}\\times 100 = 22,3\\%\n\\]\n\nSe trata de una **reducci\u00f3n relativa del 22,3% en el RMSE de referencia comunicado por los autores**; no mide el hielo de agua real adicional descubierto ni el rendimiento cient\u00edfico validado de forma independiente. [S2]\n\n## 4. Pr\u00f3ximos pasos pr\u00e1cticos\n\n1. Lee los usos previstos, las limitaciones y la licencia Apache-2.0 de la ficha del modelo antes de seleccionar una tarea de detecci\u00f3n, segmentaci\u00f3n o regresi\u00f3n. [S3]\n2. Descarga el punto de control oficial y la configuraci\u00f3n de Hugging Face; a continuaci\u00f3n, revisa los envoltorios de backbone de GitHub y las configuraciones de las tareas. [S4]\n3. Obt\u00e9n el conjunto de datos lunar pertinente y utiliza los componentes compatibles con TerraTorch que se proporcionan para realizar el ajuste fino y las pruebas, documentando que no se dispone de c\u00f3digo de preentrenamiento y que los resultados de las pruebas comparativas requieren una evaluaci\u00f3n independiente. [S2][S4]<\/pre><\/details><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">El resultado \u00fatil fue la conservaci\u00f3n de las distinciones: error de referencia frente a hielo detectado, uso con fines de investigaci\u00f3n frente a certificaci\u00f3n de aterrizaje, y c\u00f3digo de adaptaci\u00f3n publicado frente a c\u00f3digo de preentrenamiento ausente. Dado que esos l\u00edmites ya figuraban en el paquete de origen, esto constituye una prueba del \u00e9xito de la tarea de lectura y s\u00edntesis, pero no una prueba de que un asistente pudiera descubrir por s\u00ed mismo todas las salvedades.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En el caso de un proyecto de mayor envergadura, <a href=\"https:\/\/www.glbgpt.com\/hub\/how-to-use-chatgpt-deep-research-complete-tutorial-tips-and-best-practices\/\">planificar una sesi\u00f3n de investigaci\u00f3n m\u00e1s exhaustiva con ayuda de la IA<\/a> en torno a cuestiones concretas sobre los datos, los m\u00e9todos, la evaluaci\u00f3n y las limitaciones. Mant\u00e9n la tabla original junto al borrador y vuelve a comprobar cada cifra tras la edici\u00f3n. Ese h\u00e1bito es m\u00e1s importante que la fluidez con la que suene el primer resumen.<\/p>\n\n\n\n<h2 id=\"limitations\" class=\"wp-block-heading\">L\u00edmites que importan en la pr\u00e1ctica<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La ficha del modelo indica que el modelo lunar no ha sido validado para la toma de decisiones operativas, como la certificaci\u00f3n de lugares de aterrizaje o la evaluaci\u00f3n de riesgos. Un modelo cient\u00edfico puede ayudar a analizar las observaciones sin que se pueda certificar que una nave espacial pueda aterrizar con seguridad en un lugar determinado. Esos usos requieren un nivel de validaci\u00f3n diferente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los campos generados tambi\u00e9n requieren precauci\u00f3n. El modelo no mantiene un sistema de referencia geod\u00e9sico absoluto, y los valores generados pueden desviarse de los valores f\u00edsicos. Los autores describen la generaci\u00f3n como una exploraci\u00f3n cualitativa m\u00e1s que como una predicci\u00f3n cient\u00edfica calibrada. Un mapa de terreno o de observaci\u00f3n que parezca plausible no debe interpretarse como un producto medido.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El punto de control no se ha evaluado m\u00e1s all\u00e1 de la Luna. Incluso dentro de la investigaci\u00f3n lunar, el balance es desigual: se han obtenido avances claros en algunas tareas y resultados comparables en otras. La conclusi\u00f3n que cabe extraer es que hay que evaluar el modelo en funci\u00f3n del objetivo, la escala, los datos y la l\u00ednea de base que se ajusten a tu experimento.<\/p>\n\n\n\n<h2 id=\"faq\" class=\"wp-block-heading\">Preguntas frecuentes<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">\u00bfSe puede utilizar gratuitamente el Modelo Lunar de la Fundaci\u00f3n NASA-IBM?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La ficha oficial del modelo y el repositorio de c\u00f3digo indican que se rige por una licencia Apache-2.0, y el punto de control est\u00e1 disponible p\u00fablicamente. La realizaci\u00f3n de experimentos sigue requiriendo recursos inform\u00e1ticos adecuados, la preparaci\u00f3n de datos y una evaluaci\u00f3n espec\u00edfica para cada tarea. El acceso abierto al modelo no garantiza el uso gratuito de recursos de computaci\u00f3n en GPU ni la inferencia alojada.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">\u00bfEs el \u00abLunar Foundation Model\u00bb de la NASA e IBM un chatbot?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Se trata de un modelo base para la teledetecci\u00f3n lunar, dise\u00f1ado para trabajar con im\u00e1genes, productos topogr\u00e1ficos y datos de observaci\u00f3n relacionados. Los investigadores lo adaptan para tareas de detecci\u00f3n, segmentaci\u00f3n y regresi\u00f3n. Un asistente de chat puede ayudar a explicar la documentaci\u00f3n, pero interactuar con un chatbot es un flujo de trabajo distinto al de ejecutar este modelo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">\u00bfHa descubierto el modelo m\u00e1s hielo de agua en la Luna?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">El resultado sobre el hielo que se presenta mide en qu\u00e9 medida las predicciones se ajustan a un mapa de prospectividad de hielo basado en el conocimiento. El mejor RMSE registrado desciende de 0,0377 a 0,0293 con respecto a la referencia citada, lo que supone una reducci\u00f3n relativa de aproximadamente 22%. Se trata de una mejora en el punto de referencia; no es una medida del hielo adicional descubierto.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">\u00bfPuedo explorar el proyecto sin escribir c\u00f3digo?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Puedes leer el comunicado de la NASA, examinar la ficha del modelo, consultar las tablas de referencia publicadas y visitar la p\u00e1gina oficial de demostraci\u00f3n sin necesidad de crear un flujo de trabajo de entrenamiento. Para adaptar el punto de control publicado a una tarea cient\u00edfica, se utilizan el c\u00f3digo, los datos y las configuraciones de TerraTorch del repositorio, a lo que sigue una validaci\u00f3n espec\u00edfica para cada tarea.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">\u00bfQu\u00e9 relaci\u00f3n tiene el modelo lunar con Prithvi y Surya?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Forman parte de la colaboraci\u00f3n m\u00e1s amplia entre la NASA e IBM sobre modelos base para la ciencia. La NASA describe los modelos \u00abPrithvi\u00bb para observaciones de la Tierra y aplicaciones meteorol\u00f3gicas, \u00abSurya\u00bb para la heliof\u00edsica y el modelo lunar para observaciones de la Luna. Sus \u00e1mbitos de aplicaci\u00f3n y tareas previstas difieren; el modelo lunar no se ha evaluado m\u00e1s all\u00e1 de la Luna.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El Modelo Lunar de la NASA e IBM ofrece un punto de partida reutilizable para la investigaci\u00f3n en teledetecci\u00f3n lunar. Utiliza las tablas oficiales para comprender sus puntos fuertes, la ficha del modelo para definir sus l\u00edmites y los recursos publicados para planificar un experimento espec\u00edfico para una tarea concreta. Si tu objetivo inmediato es aprender o escribir, empieza por convertir esas fuentes en un resumen contrastado.<\/p>\n\n\n\n<section class=\"glb-lunar-cta\" aria-label=\"Elabora un resumen de investigaci\u00f3n con GlobalGPT\" 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\">Convierte un art\u00edculo t\u00e9cnico en un resumen que te resulte \u00fatil<\/p><p style=\"box-sizing:border-box;color:#e2eef5;line-height:1.7;margin:12px 0 20px\">Trae tus fuentes oficiales a GlobalGPT, analiza conceptos que no te resulten familiares y plasma los resultados revisados en notas claras o en un borrador definitivo, todo ello en un \u00fanico espacio de trabajo multimodelo.<\/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\">Explora la investigaci\u00f3n con GlobalGPT<\/a><\/section>","protected":false},"excerpt":{"rendered":"<p>El modelo \u00abLunar Foundation Model\u00bb de la NASA e IBM es un modelo de IA abierto destinado al an\u00e1lisis de observaciones lunares. Anunciado el 10 de septiembre de 2026, puede adaptarse para detectar cr\u00e1teres, delinear caracter\u00edsticas volc\u00e1nicas y predecir patrones en un mapa de prospectividad de hielo. Las mejoras que se le atribuyen se refieren a par\u00e1metros de referencia espec\u00edficos de la investigaci\u00f3n: el resultado m\u00e1s destacado en relaci\u00f3n con el hielo es un menor error de predicci\u00f3n, no el descubrimiento de [\u2026]<\/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\/es\/wp-json\/wp\/v2\/posts\/20207","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/comments?post=20207"}],"version-history":[{"count":2,"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/posts\/20207\/revisions"}],"predecessor-version":[{"id":20215,"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/posts\/20207\/revisions\/20215"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/media\/20209"}],"wp:attachment":[{"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/media?parent=20207"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/categories?post=20207"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.glbgpt.com\/es\/wp-json\/wp\/v2\/tags?post=20207"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}