{"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\/it\/hub\/nasa-ibm-lunar-foundation-model","title":{"rendered":"Modello lunare NASA-IBM: utilizzi, risultati e accesso"},"content":{"rendered":"<p class=\"wp-block-paragraph\"><strong>Il Lunar Foundation Model della NASA e IBM \u00e8 un modello di intelligenza artificiale aperto destinato all'analisi delle osservazioni lunari.<\/strong> Annunciato il 10 settembre 2026, pu\u00f2 essere adattato per individuare crateri, delineare caratteristiche vulcaniche e prevedere modelli in una mappa di potenzialit\u00e0 ghiacciaria. I vantaggi riportati riguardano specifici parametri di riferimento della ricerca: il risultato principale relativo al ghiaccio \u00e8 un minore errore di previsione, non la scoperta di una maggiore quantit\u00e0 d'acqua sulla Luna.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per studenti e ricercatori, i punti di partenza utili sono i <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">scheda tecnica ufficiale<\/a>, il rapporto tecnico e il codice reso pubblico. Insieme spiegano cosa ha appreso il modello, quali compiti sono stati valutati e cosa occorre per realizzare un proprio esperimento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se il primo passo \u00e8 comprendere la ricerca, <a href=\"https:\/\/www.glbgpt.com\/home?inviter=hub_content_home&amp;login=1\">GlobalGPT<\/a> riunisce la ricerca delle fonti, l\u2019analisi dei documenti, il ragionamento e la redazione in un unico spazio di lavoro multimodello. Offre un modo conveniente per passare da termini scientifici poco familiari a un chiaro documento di sintesi della ricerca tramite un unico abbonamento.<\/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=\"dashboard di 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>Prova oltre 100 modelli di punta su GlobalGPT<\/strong><\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n<nav class=\"glb-lunar-toc\" aria-label=\"Indice\" 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\">Esplora il modello lunare<\/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\">Che cos\u2019\u00e8 il Lunar Foundation Model della 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\">Da quali dati apprende?<\/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\">Tre attivit\u00e0 che pu\u00f2 supportare<\/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\">Cosa significano i risultati dei test di benchmark<\/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\">Dove reperirlo e quali sono i costi di accesso<\/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\">Utilizzare l'intelligenza artificiale per comprendere la ricerca<\/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\">Limiti rilevanti nella pratica<\/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\">Domande frequenti<\/a><\/li><\/ol><\/nav>\n\n\n\n<h2 id=\"what-is-it\" class=\"wp-block-heading\">Che cos\u2019\u00e8 il Lunar Foundation Model della 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\/\">L'annuncio della NASA<\/a> presenta il progetto come un modello di base per la scienza lunare, sviluppato in collaborazione con IBM. Un modello di base apprende schemi riutilizzabili da un\u2019ampia raccolta di dati; i ricercatori adattano poi tali schemi a un compito pi\u00f9 specifico. In questo caso, il materiale di riferimento \u00e8 costituito dai dati di telerilevamento lunare anzich\u00e9 dal linguaggio quotidiano.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L'LFM della NASA-IBM utilizza un codificatore e un decodificatore basati su Vision Transformer, con un'architettura ViT-B. I suoi input comprendono immagini e altri prodotti di osservazione con diverse risoluzioni spaziali. Uno scienziato pu\u00f2 adattare la rappresentazione risultante per il rilevamento, la segmentazione o la regressione: tre modi per individuare oggetti, delineare regioni e prevedere valori numerici.<\/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=\"Comunicato della NASA che presenta il \u201cNASA-IBM Lunar Foundation Model\u201d per la scienza lunare.\" 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 presentato il modello lunare<\/a> il 10 settembre 2026, con accesso pubblico al modello e al codice.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Ci\u00f2 rende questa versione utile ai team che lavorano sulle mappe lunari e agli studenti che si occupano di machine learning planetario. La lettura del progetto \u00e8 inoltre utile per chiunque voglia comprendere come viene valutato un modello di IA scientifica. L\u2019utilizzo del suo checkpoint, tuttavia, rientra in un flusso di lavoro di calcolo scientifico piuttosto che in una conversazione via chat.<\/p>\n\n\n\n<h2 id=\"data-and-design\" class=\"wp-block-heading\">Da quali dati apprende?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">scheda del modello<\/a> descrive i dati di addestramento di SomBench: 963.609 gruppi di tessere della telecamera grandangolare (WAC) e 1.000.113 gruppi della telecamera ad angolo stretto (NAC). La scala delle WAC \u00e8 di circa 100 metri per pixel; quella delle NAC \u00e8 di circa 1 metro per pixel. Ci\u00f2 fornisce al modello sia un contesto territoriale pi\u00f9 ampio sia dettagli superficiali molto pi\u00f9 precisi, su un totale di circa due milioni di bundle.<\/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 descrive la risorsa di dati in senso lato<\/a> costituito da oltre 30 livelli allineati provenienti da nove strumenti nell\u2019ambito di quattro missioni. La scheda del modello specifica 11 modalit\u00e0 di input. Queste figure descrivono le diverse fasi della pipeline di dati: livelli sorgente, esempi di addestramento raggruppati e tipi di input codificati dal modello.<\/p>\n\n\n\n<section class=\"glb-lunar-data\" aria-label=\"Dati lunari e dati di input per i modelli\" 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 progetto, tre diverse unit\u00e0 di misura<\/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\">Oltre 30 livelli sorgente<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">IBM descrive una risorsa di dati costituita dai dati raccolti da nove strumenti nel corso di quattro missioni.<\/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 pacchetti<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">I 963.609 pacchetti WAC e i 1.000.113 pacchetti NAC offrono due livelli di materiale didattico.<\/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 modalit\u00e0 di immissione<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">Il modello integra diversi tipi di osservazioni, tra cui immagini satellitari e dati topografici.<\/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\">I livelli delle sorgenti, i pacchetti di tessere e le modalit\u00e0 di input si riferiscono a elementi diversi. Sorgenti: <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\">Descrizione del set di dati di IBM<\/a> e il <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\" style=\"box-sizing:border-box;color:#10594e;text-decoration:underline\">scheda tecnica ufficiale<\/a>.<\/p><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Anche l\u2019illuminazione fa parte del progetto. Il modello riceve la geometria di osservazione, compresi gli angoli di illuminazione, come contesto esplicito. Ci\u00f2 aiuta a distinguere l\u2019aspetto di una superficie sotto una determinata illuminazione dai modelli del terreno sottostanti che sta apprendendo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un pixel che rappresenta circa 100 metri di terreno non pu\u00f2 rivelare gli stessi dettagli di un pixel che rappresenta circa 1 metro. Ecco perch\u00e9 i risultati relativi ai crateri WAC e NAC meritano un\u2019attenzione a parte. Un miglioramento nelle immagini su larga scala non garantisce lo stesso miglioramento per le piccole caratteristiche superficiali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il progetto segue l'approccio di pre-addestramento di TerraMind, ma si basa su dati lunari partendo da zero. Va quindi inteso come un modello creato appositamente per le osservazioni lunari, piuttosto che come una versione ribattezzata del modello di osservazione terrestre. La domanda fondamentale \u00e8: in che modo la rappresentazione appresa da questo modello contribuisce a un particolare compito legato alla Luna?.<\/p>\n\n\n\n<h2 id=\"what-it-can-do\" class=\"wp-block-heading\">Tre attivit\u00e0 che pu\u00f2 supportare<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Le valutazioni pubblicate riguardano tre famiglie di compiti. Ciascuna produce un tipo diverso di risposta, quindi il significato di \u201cmigliore\u201d varia a seconda del compito.<\/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\">Compito<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Uscita<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Cosa pu\u00f2 supportare il risultato<\/th><\/tr><\/thead><tbody><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Rilevamento dei crateri<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Riquadri di delimitazione attorno ai crateri nelle immagini WAC o NAC<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Confronto dell'efficacia con cui un rilevatore individua e localizza i crateri contrassegnati.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Segmentazione irregolare della macchia della cavalla<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Un profilo a livello di pixel delle caratteristiche della superficie vulcanica<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Analizzare in che misura le regioni previste corrispondono ai confini delle caratteristiche etichettate.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Regressione della potenzialit\u00e0 ghiacciaria polare<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Una previsione continua di una mappa prospettica basata sulla conoscenza<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Analisi della corrispondenza con un obiettivo modellizzato per possibili condizioni legate al ghiaccio.<\/td><\/tr><\/tbody><\/table><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Il rilevamento dei crateri e la segmentazione delle caratteristiche vulcaniche possono aiutare i ricercatori a organizzare e analizzare le immagini. La loro utilit\u00e0 dipende dalle etichette, dalla scala e dall\u2019area di valutazione. Un modello che offre buone prestazioni su un insieme di test definito deve comunque essere valutato in relazione ai dati e alle questioni scientifiche di un nuovo progetto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>La potenzialit\u00e0 del ghiaccio richiede un\u2019interpretazione estremamente accurata.<\/strong> L'obiettivo \u00e8 quello di ottenere una mappa basata sulle conoscenze scientifiche che indichi dove potrebbe esserci del ghiaccio, non una misurazione diretta dei depositi di ghiaccio. Una maggiore corrispondenza con tale mappa pu\u00f2 favorire la ricerca sui modelli e sulle regioni candidate. Ci\u00f2 non significa che sia stata individuata una quantit\u00e0 aggiuntiva di acqua.<\/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=\"Scheda ufficiale del modello lunare che descrive gli impieghi scientifici e i limiti delle previsioni relative alla presenza di ghiaccio.\" 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\">Il <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">scheda tecnica ufficiale<\/a> definisce la potenzialit\u00e0 ghiacciaria come un obiettivo modellizzato ed esclude la certificazione dei siti di atterraggio.<\/figcaption><\/figure>\n\n\n\n<h2 id=\"benchmarks\" class=\"wp-block-heading\">Cosa significano i risultati dei test di benchmark<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\">relazione tecnica<\/a> fornisce le medie e le deviazioni standard relative a cinque semi casuali. I risultati mettono a confronto configurazioni adattate del modello lunare con modelli di riferimento specifici del modello visivo. Abbiamo verificato le tabelle pubblicate; non abbiamo riprodotto gli esperimenti relativi al modello lunare.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questi indicatori rispondono a domande diverse. La precisione media (mAP) valuta il rilevamento degli oggetti; l\u2019intersezione sull\u2019unione (IoU) misura la sovrapposizione tra le regioni previste e quelle etichettate; l\u2019errore quadratico medio (RMSE) misura l\u2019errore numerico di previsione. Valori pi\u00f9 elevati di mAP e IoU sono migliori, mentre un valore pi\u00f9 basso di RMSE \u00e8 preferibile. Questi indicatori non dovrebbero essere combinati in un unico punteggio di accuratezza.<\/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=\"Tabella ufficiale dei benchmark che mette a confronto il modello lunare con i modelli di riferimento preaddestrati su 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\">Il <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">tabella di riferimento degli autori<\/a> rileva un aumento della potenzialit\u00e0 glaciale e risultati comparabili relativi a crateri e formazioni vulcaniche su scala metrica.<\/figcaption><\/figure>\n\n\n\n<section class=\"glb-lunar-results\" aria-label=\"Benchmark basati sul modello lunare riportati dagli autori\" 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\">Errore di prospettivit\u00e0 del ghiaccio: il miglioramento pi\u00f9 evidente segnalato<\/p><p style=\"box-sizing:border-box;color:#e0edf3;line-height:1.65;margin:12px 0\">L'RMSE \u00e8 sceso da <strong style=\"box-sizing:border-box;color:#fff\">da 0,0377 a 0,0293<\/strong> contro SwinV2-B, un <strong style=\"box-sizing:border-box;color:#fff\">22,31 TP40T riduzione relativa<\/strong>. Un valore RMSE pi\u00f9 basso indica una maggiore corrispondenza con la mappa di potenzialit\u00e0 glaciale del benchmark.<\/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 Preaddestrato su 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 messa a punto completa<\/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: pi\u00f9 \u00e8 basso, meglio \u00e8. Le barre partono da zero. Media \u00b1 deviazione standard su cinque campioni. L'obiettivo \u00e8 una mappa di prospettivit\u00e0 modellizzata, non una misurazione del ghiaccio.<\/p><div class=\"glb-lunar-results-scroll\" role=\"region\" aria-label=\"Altri risultati dei test di benchmark su 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\">Attivit\u00e0 e dati<\/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 metrico \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\">Modello lunare<\/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 solida base di partenza<\/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\">Crateri WAC \u00b7 Dati di addestramento 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\">messa a punto completa<\/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\">Crateri WAC \u00b7 Dati di addestramento 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\">Crateri NAC \u00b7 Dati di addestramento 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\">Macchie irregolari sulla giumenta<\/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\">encoder bloccato<\/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\">Gli autori descrivono i risultati relativi ai crateri e alle formazioni vulcaniche su scala metrica come paragonabili a linee di riferimento affidabili. Le lievi differenze riscontrate vanno interpretate alla luce della variazione da esecuzione a esecuzione.<\/p><p class=\"glb-lunar-results-note\" style=\"box-sizing:border-box;color:#c7dce6;line-height:1.65;margin:12px 0;font-size:.89rem\">Fonte: <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\">Relazione tecnica NASA-IBM<\/a>, Tabelle 4\u20137, pagine 16 e 18. Si tratta dei risultati degli autori, non di una riproduzione indipendente.<\/p><\/section>\n\n\n\n<h3 class=\"wp-block-heading\">Il risultato ottenuto con il modello 22% \u00e8 una riduzione dell'errore<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Per quanto riguarda la potenzialit\u00e0 di presenza di ghiaccio, la configurazione lunare pi\u00f9 significativa riportata presenta un RMSE pari a 0,0293, contro lo 0,0377 di SwinV2-B. Il calcolo \u00e8 il seguente: <strong>(0,0377 \u2212 0,0293) \u00f7 0,0377 \u00d7 100 = 22,3%<\/strong>. L'RMSE misura l'errore di previsione rispetto alla mappa di riferimento; un valore pi\u00f9 basso \u00e8 indicativo di una maggiore precisione. Questa percentuale non rappresenta n\u00e9 un punteggio di accuratezza n\u00e9 una variazione della quantit\u00e0 di ghiaccio lunare.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">I risultati relativi ai crateri dipendono dalla metrica e dalla scala dei dati<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Con 50% dei dati di addestramento WAC, il modello lunare registra un mAP di 0,2541 contro lo 0,2313 di SwinV2-B. Lo stesso risultato del modello lunare supera anche lo 0,2420 del modello di riferimento con 100% di dati di addestramento. Il primo confronto utilizza frazioni di dati uguali; il secondo \u00e8 una dimostrazione dell\u2019efficienza delle etichette in questo particolare esperimento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il miglioramento di circa 19% registrato da IBM pu\u00f2 essere riconciliato con i valori AP@75 riportati nel rapporto sui dati di addestramento a 50%: 0,2213 contro 0,1862, con un aumento relativo di 18,9%. L\u2019AP@75 valuta i rilevamenti a una determinata soglia di sovrapposizione. Non dovrebbe essere reinterpretato come un aumento di 19% nella metrica mAP della tabella.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Alla scala NAC pi\u00f9 fine, l\u2019mAP del modello lunare \u00e8 pari a 0,1543, mentre quello del modello di riferimento \u00e8 pari a 0,1552. Per quanto riguarda le \u00abIrregular Mare Patches\u00bb, i valori di IoU in primo piano riportati sono 0,5709 e 0,5687 rispetto a ConvNeXtV2-B. Gli autori descrivono questi compiti come paragonabili a baseline di alto livello. Le piccole differenze, insieme alla variazione riportata tra le esecuzioni, non supportano l\u2019affermazione secondo cui il modello lunare sia vincente in ogni caso.<\/p>\n\n\n\n<h2 id=\"access-and-cost\" class=\"wp-block-heading\">Dove reperirlo e quali sono i costi di accesso<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Inizia dalle risorse ufficiali riportate di seguito. I pesi del modello e il codice sono coperti da licenza Apache-2.0, mentre il checkpoint \u00e8 disponibile pubblicamente. Il repository descrive in particolare un <strong>versione di messa a punto e inferenza<\/strong>; esclude espressamente il codice relativo al pre-addestramento.<\/p>\n\n\n\n<section class=\"glb-lunar-access\" aria-label=\"Risorse ufficiali relative ai modelli lunari\" 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\">Scegli la risorsa per il tuo prossimo passo<\/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\">Leggi la scheda del modello<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Inizia con gli usi previsti, i dati di input, le licenze e le limitazioni.<\/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\">Scarica i pesi e la configurazione<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">La scheda \"File\" contiene il checkpoint pubblicato e i file correlati.<\/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\">Verificare il codice di ottimizzazione e di inferenza<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Utilizza il file README e le configurazioni delle attivit\u00e0 di TerraTorch per pianificare un esperimento.<\/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\">Sfoglia i modelli e le risorse di dati<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Segui la raccolta ufficiale per accedere ai modelli e ai set di dati correlati.<\/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\">Leggi il rapporto tecnico<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Le tabelle da 4 a 7 riportano i risultati delle prove, le impostazioni e le variazioni tra le diverse esecuzioni.<\/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 dimostrazione ufficiale<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Esplora la versione demo del progetto. In questa revisione non abbiamo eseguito la generazione.<\/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 momento della verifica, effettuata il 28 settembre 2026, la scheda del modello non riportava alcun Hugging Face Inference Provider implementato. Il checkpoint scaricabile e la pagina dimostrativa sono accessibili tramite percorsi separati.<\/p><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Se si desidera adattare il modello, selezionare l'attivit\u00e0 a valle prima di configurare l'esperimento. Il repository fornisce componenti e configurazioni compatibili con TerraTorch che collegano il checkpoint, l'attivit\u00e0 e i dati. TerraTorch \u00e8 il framework software utilizzato per organizzare il flusso di lavoro di addestramento e valutazione.<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Leggi la scheda del modello e il file README, quindi scegli tra rilevamento, segmentazione o regressione in base alla domanda scientifica.<\/li>\n\n\n\n<li>Procurarsi i dati corrispondenti e il checkpoint ufficiale, quindi verificare la configurazione delle attivit\u00e0 e le istruzioni relative all'ambiente del repository.<\/li>\n\n\n\n<li>Preparare i dati per quella configurazione ed eseguire il flusso di lavoro di ottimizzazione o di inferenza pertinente.<\/li>\n\n\n\n<li>Valutare rispetto a un valore di riferimento adeguato e conservare la suddivisione dei dati, le impostazioni e i risultati in modo da poter verificare l'esito.<\/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=\"File README ufficiale su GitHub che descrive la versione relativa alla messa a punto e all\u2019inferenza del modello lunare.\" 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\">Il <a href=\"https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\">repository ufficiale<\/a> fornisce il codice per la messa a punto e l'inferenza; non include il codice per il preaddestramento.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">L'accesso aperto elimina l'acquisto della licenza del modello dalla fase iniziale del processo, ma l'esecuzione di un esperimento comporta comunque dei costi. Sono necessarie risorse di calcolo, spazio di archiviazione, preparazione dei dati e tempo per la valutazione. Un checkpoint pubblicato non include automaticamente un'API ospitata o tempo di GPU gratuito, e i codici sorgente non stabiliscono una quantit\u00e0 minima universale di GPU per ogni attivit\u00e0 a valle.<\/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\">Il tuo obiettivo<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Risorse o costi da prevedere<\/th><\/tr><\/thead><tbody><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Leggi e valuta il comunicato<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Comunicati pubblici, scheda del modello, relazione e archivio.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Eseguire o adattare il modello scientifico<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Risorse di calcolo e archiviazione adeguate, dati pertinenti, configurazione dell\u2019ambiente e attivit\u00e0 di valutazione.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Comprendere gli articoli scientifici e redigere una sintesi di ricerca<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Uno spazio di lavoro per assistenti di ricerca come GlobalGPT, che offre accesso ai modelli e strumenti per la gestione dei documenti in un unico abbonamento.<\/td><\/tr><\/tbody><\/table><\/div>\n\n\n\n<h2 id=\"research-workflow\" class=\"wp-block-heading\">Utilizzare l'intelligenza artificiale per comprendere la ricerca<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una prima domanda costruttiva deve essere ben circoscritta: \u201cCosa misura effettivamente il miglioramento riportato di 22%?\u201d Per rispondere occorre un obiettivo, un indicatore, un valore di riferimento e un calcolo. Chiedere questi quattro elementi \u00e8 pi\u00f9 utile che chiedere a un assistente se il modello sia impressionante.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">GlobalGPT ti permette di portare avanti il lavoro di lettura attraverso la ricerca delle fonti, l'analisi dei documenti e la stesura del testo senza dover passare da uno strumento all'altro per ogni fase. Per un metodo ripetibile, <a href=\"https:\/\/www.glbgpt.com\/hub\/how-to-use-perplexity-for-research\/\">redigere una sintesi di ricerca con verifica delle fonti<\/a> con un breve elenco di fonti e domande precise prima di richiedere una sintesi ben strutturata.<\/p>\n\n\n\n<section class=\"glb-lunar-workflow\" aria-label=\"Un flusso di lavoro di ricerca in tre fasi\" 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\">Dalle fonti ufficiali a un utile riassunto informativo<\/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\">Raccogliere il materiale di base.<\/strong> Inizia con l'annuncio della NASA, poi aggiungi la scheda del modello, il rapporto tecnico e il file README. Puoi <a href=\"https:\/\/www.glbgpt.com\/perplexity?inviter=hub_content_perplexity&amp;login=1\" style=\"box-sizing:border-box;color:#125977;text-decoration:underline\">ricerca con Perplexity su GlobalGPT<\/a> per individuare le fonti a sostegno.<\/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\">Poni domande mirate.<\/strong> Chiedi a un assistente di spiegarti separatamente i concetti di mAP, IoU e RMSE, quindi elenca il target, il valore di riferimento e le impostazioni di valutazione relative a ciascuna affermazione.<\/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\">Controlla e scrivi.<\/strong> Riapri la tabella citata, verifica ogni dato e trasforma le note che hai controllato in una sintesi che rispetti i limiti scientifici.<\/li><\/ol><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Abbiamo testato una versione ridotta di questo flusso di lavoro con GPT-5.6 Sol. Il sistema ha ricevuto un pacchetto di informazioni distillato dalle quattro fonti ufficiali e doveva produrre un breve riassunto, classificare sei affermazioni, calcolare la riduzione dell\u2019RMSE e suggerire i prossimi passi da intraprendere. Il compito si basava su testo fornito; il sistema non ha cercato nuove prove.<\/p>\n\n\n\n<section class=\"glb-lunar-setup\" aria-label=\"Configurazione di prova per il briefing di ricerca\" 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\">Un test di briefing basato sulle fonti<\/p><p style=\"box-sizing:border-box;margin:8px 0;color:#243f4c;line-height:1.65\">Abbiamo fornito a GPT-5.6 Sol una breve documentazione tratta dal comunicato della NASA, dalla scheda tecnica ufficiale, dal rapporto tecnico e dal file README su GitHub. Il sistema doveva redigere un briefing, verificare sei affermazioni e spiegare il calcolo dell\u2019RMSE.<\/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\">Spazio di lavoro e data<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">GlobalGPT \u00b7 28 settembre 2026<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Applicare la politica<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Un solo compito; prima risposta completa; nessun tentativo aggiuntivo<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Ingresso<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Pacchetto sorgente di 355 parole con quattro ID sorgente<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Ambito di applicazione<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Lettura e sintesi; nessuna ricerca in tempo reale n\u00e9 esecuzione del modello lunare<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Impostazioni di risposta<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Limite dei token in uscita: 4.096; tutti gli altri controlli di campionamento sono stati lasciati ai valori predefiniti del servizio<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Utilizzo e costo<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Sono stati segnalati in totale 2.154 token; la risposta non includeva alcun addebito monetario<\/dd><\/div><\/dl><\/section>\n\n\n\n<section class=\"glb-lunar-t01\" aria-label=\"Risultati del test di briefing basato sulla fonte\" 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 prima risposta ha mantenuto le affermazioni scientifiche entro i limiti del tema<\/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\">I controlli delle affermazioni hanno confermato la corrispondenza con le fonti fornite<\/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\">Riduzione relativa corretta dell'RMSE<\/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\">\u00c8 ora di dare una risposta esauriente<\/span><\/div><\/div><p style=\"box-sizing:border-box;color:#25434f;line-height:1.65;margin:12px 0\">La risposta ha generato un documento informativo di 112 parole, ha respinto l\u2019affermazione secondo cui il modello avesse individuato 22% di ghiaccio reale in pi\u00f9 e ha mantenuto le restrizioni relative alla certificazione dei siti di atterraggio e all\u2019accesso al codice di pre-addestramento. I tre passi successivi indicati rimandavano alla scheda ufficiale del modello, al checkpoint e alle risorse di 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\">Si trattava di un esercizio di lettura basato su materiale fornito. Il pacchetto di riferimento indicava gi\u00e0 i limiti principali. Il risultato non \u00e8 indicativo delle prestazioni in materia di ricerca autonoma o di inferenza tramite telerilevamento lunare.<\/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\">Visualizza il prompt esatto e il pacchetto di origine<\/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\nSei un redattore scientifico meticoloso che scrive per uno studente universitario. Utilizza esclusivamente il pacchetto di fonti fornito. Non effettuare ricerche aggiuntive. Distingui le misurazioni di benchmark riportate dalle misurazioni scientifiche reali. Cita gli ID delle fonti tra parentesi quadre. Se un\u2019affermazione non \u00e8 supportata, dillo chiaramente. Non inventare citazioni, prezzi, requisiti hardware o risultati sperimentali. Fornisci la risposta richiesta, senza ragionamenti nascosti.\n\nUTENTE\nTrasforma il pacchetto di fonti in una nota di ricerca pratica. Consegna: (1) una sintesi in inglese semplice di 100\u2013130 parole; (2) una tabella di verifica delle affermazioni a sei righe che utilizzi esattamente le diciture \u201cSupportata\u201d o \u201cNon supportata\u201d, un ID della fonte e una spiegazione di una frase per ciascuna affermazione fornita; (3) la relativa riduzione dell\u2019RMSE calcolata da 0,0377 a 0,0293, arrotondata a una cifra decimale, con una formula e una frase che spieghi cosa non misura; (4) tre passi pratici successivi per uno studente che voglia esaminare o adattare il modello pubblicato. La risposta complessiva deve contenere meno di 500 parole.\n\nAffermazioni da verificare:\n1. La NASA e IBM hanno annunciato pubblicamente il modello il 10 settembre 2026.\n2. L\u2019RMSE relativo alla presenza potenziale di ghiaccio \u00e8 sceso da 0,0377 per SwinV2-B a 0,0293 per il modello lunare completamente ottimizzato.\n3. Il modello ha individuato 22% di ghiaccio d\u2019acqua reale in pi\u00f9 sulla Luna.\n4. La NASA ha convalidato questo modello ai fini della certificazione dei siti di atterraggio e della valutazione dei rischi.\n5. Il rilascio su GitHub include il codice di pre-addestramento.\n6. Un checkpoint aperto garantisce che l\u2019elaborazione su GPU e l\u2019inferenza in cloud siano gratuite.\n\nPacchetto sorgente:\n[S1] Annuncio della NASA, 10 settembre 2026.\nTitolo: La NASA e IBM lanciano un modello di base di IA per la scienza lunare.\nURL: https:\/\/science.nasa.gov\/science-research\/artificial-intelligence-lunar-foundation-model\/\nLa NASA ha annunciato un modello di base per la scienza lunare sviluppato in collaborazione con IBM. \u00c8 ospitato pubblicamente su Hugging Face, con il codice disponibile su GitHub. Pu\u00f2 essere adattato per la mappatura dei crateri, l\u2019identificazione delle caratteristiche vulcaniche e la ricerca sui ghiacci polari.\n\n[S2] Scheda ufficiale del modello NASA-IBM e relazione tecnica, consultate il 28 settembre 2026.\nURL della scheda del modello: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\nURL del rapporto tecnico: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\nLa tabella 7 del rapporto (pagina 18) riporta l\u2019errore quadratico medio (RMSE) sul set di test per la regressione della prospettivit\u00e0 del ghiaccio. Pi\u00f9 basso \u00e8, meglio \u00e8. Media pi\u00f9\/meno deviazione standard su cinque semi casuali: NASA-IBM LFM con ottimizzazione completa, 0,0293 \u00b1 0,0013; SwinV2-B preaddestrato su ImageNet, 0,0377 \u00b1 0,0004. L\u2019obiettivo \u00e8 una mappa della prospettivit\u00e0 del ghiaccio basata sulla conoscenza. Si tratta di risultati di benchmark riportati dagli autori, non di una replica indipendente n\u00e9 di una misurazione diretta del ghiaccio d\u2019acqua.\nTabella 4 (pagina 16), crateri WAC con dati di addestramento 50%: il mAP del bounding box \u00e8 pari a 0,2541 \u00b1 0,0018 per LFM completamente ottimizzato e a 0,2313 \u00b1 0,0027 per SwinV2-B. Nelle stesse righe, l\u2019AP@75 \u00e8 rispettivamente pari a 0,2213 \u00b1 0,0028 e 0,1862 \u00b1 0,0041. Queste metriche non devono essere scambiate.\n\n[S3] Scheda ufficiale del modello, Destinazione d\u2019uso \/ Esclusioni \/ Limiti.\nURL: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\nL\u2019uso previsto \u00e8 il telerilevamento lunare tramite messa a punto o adattamento LoRA per il rilevamento, la segmentazione e la regressione densa. Il modello non \u00e8 convalidato per la certificazione dei siti di atterraggio o per l\u2019esclusione dei pericoli. I risultati relativi alla presenza potenziale di ghiaccio derivano da una mappa basata su conoscenze, non da misurazioni effettive del ghiaccio. I campi generati sono sondaggi qualitativi, non previsioni scientifiche calibrate. Il modello non mantiene un sistema di riferimento geodetico assoluto. Non \u00e8 stato valutato al di fuori della Luna. La licenza indicata \u00e8 Apache-2.0. La pagina non riporta alcuna implementazione di un Inference Provider. Questo pacchetto non garantisce risorse di calcolo GPU gratuite n\u00e9 inferenza ospitata gratuita, n\u00e9 indica requisiti minimi di hardware o il prezzo dell\u2019API ospitata.\n\n[S4] File README ufficiale su GitHub, consultato il 28 settembre 2026.\nURL: https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\nIl repository descrive una versione dedicata alla messa a punto e all\u2019inferenza. Il codice di pre-addestramento non \u00e8 incluso. I pesi e la configurazione possono essere scaricati dal repository ufficiale dei modelli di Hugging Face. Sono forniti moduli dati, attivit\u00e0, wrapper backbone e configurazioni delle attivit\u00e0 compatibili con TerraTorch. La messa a punto e il test richiedono i dati, i checkpoint e la configurazione delle attivit\u00e0 pertinenti. Il file README riporta una licenza 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\">Visualizza la prima risposta 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. Presentazione\n\nIl 10 settembre 2026 la NASA e IBM hanno annunciato il Lunar Foundation Model. Il rilascio pubblico fornisce i pesi su Hugging Face e il codice di fine-tuning e inferenza su GitHub, con l'obiettivo di svolgere attivit\u00e0 di telerilevamento lunare quali la mappatura dei crateri, l'identificazione delle caratteristiche vulcaniche e la ricerca sul ghiaccio polare. Il benchmark riportato sulla prospettivit\u00e0 del ghiaccio migliora l\u2019RMSE rispetto a uno SwinV2-B preaddestrato su ImageNet, ma l\u2019obiettivo \u00e8 una mappa basata sulla conoscenza, non il ghiaccio lunare misurato direttamente. Il risultato \u00e8 riportato dagli autori su cinque semi casuali e non costituisce una replica indipendente. Il modello \u00e8 destinato all\u2019adattamento tramite fine-tuning completo o LoRA, ma non \u00e8 convalidato per la certificazione dei siti di atterraggio o la valutazione dei rischi. Manca il codice di pre-addestramento e la versione rilasciata non promette n\u00e9 risorse di calcolo GPU gratuite n\u00e9 inferenza in cloud. [S1][S2][S3][S4]\n\n## 2. Tabella di verifica delle affermazioni\n\n| Affermazione | Verdetto | Fonte | Spiegazione |\n|---|---|---|---|\n| 1 | Confermato | [S1] | L\u2019annuncio della NASA \u00e8 datato 10 settembre 2026 e identifica il modello come un progetto NASA\u2013IBM. |\n| 2 | Confermata | [S2] | La tabella 7 riporta valori RMSE pari a 0,0377 per SwinV2-B e 0,0293 per il modello lunare completamente ottimizzato. |\n| 3 | Non supportato | [S2] | Le cifre rappresentano errori di benchmark rispetto a una mappa di prospettivit\u00e0 basata sulle conoscenze, non misurazioni effettive di ghiaccio d\u2019acqua lunare. |\n| 4 | Non supportato | [S3] | La scheda del modello indica esplicitamente che il modello non \u00e8 convalidato ai fini della certificazione del sito di atterraggio o dell\u2019autorizzazione alla presenza di pericoli. |\n| 5 | Non supportato | [S4] | Il repository GitHub fornisce risorse per la messa a punto e l\u2019inferenza, ma esclude il codice di pre-addestramento. |\n| 6 | Non supportato | [S3] | Il pacchetto non promette risorse di calcolo GPU gratuite n\u00e9 inferenza in hosting e non riporta alcuna implementazione da parte di un fornitore di inferenza. |\n\n## 3. Riduzione relativa dell\u2019RMSE\n\n\\[\n\\frac{0,0377-0,0293}{0,0377}\\times 100 = 22,3\\%\n\\]\n\nSi tratta di una **riduzione relativa del 22,3% dell\u2019RMSE del benchmark riportato dagli autori**; non misura la scoperta di ulteriore ghiaccio d\u2019acqua reale n\u00e9 prestazioni scientifiche validate in modo indipendente. [S2]\n\n## 4. Prossimi passi pratici\n\n1. Leggere gli usi previsti, i limiti e la licenza Apache-2.0 della scheda del modello prima di selezionare un\u2019attivit\u00e0 di rilevamento, segmentazione o regressione. [S3]\n2. Scaricare il checkpoint ufficiale e la configurazione da Hugging Face, quindi esaminare i wrapper backbone su GitHub e le configurazioni delle attivit\u00e0. [S4]\n3. Procurarsi il dataset lunare pertinente e utilizzare i componenti compatibili con TerraTorch forniti per la messa a punto e il test, tenendo presente che il codice di pre-addestramento non \u00e8 disponibile e che i risultati dei benchmark richiedono una valutazione indipendente. [S2][S4]<\/pre><\/details><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Il risultato utile \u00e8 stato il mantenimento delle distinzioni: errore di riferimento rispetto al ghiaccio rilevato, utilizzo a fini di ricerca rispetto alla certificazione di atterraggio e codice di adattamento rilasciato rispetto al codice di pre-addestramento assente. Poich\u00e9 tali limiti erano gi\u00e0 presenti nel pacchetto sorgente, ci\u00f2 costituisce la prova del successo dell\u2019attivit\u00e0 di lettura e sintesi, non la dimostrazione che un assistente sarebbe in grado di individuare autonomamente ogni avvertenza.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per un progetto pi\u00f9 ampio, <a href=\"https:\/\/www.glbgpt.com\/hub\/how-to-use-chatgpt-deep-research-complete-tutorial-tips-and-best-practices\/\">organizzare una sessione di ricerca pi\u00f9 approfondita con il supporto dell'intelligenza artificiale<\/a> riguardo a questioni specifiche relative a dati, metodi, valutazione e limiti. Tieni la tabella originale accanto alla bozza e ricontrolla ogni cifra dopo averla modificata. Questa abitudine \u00e8 pi\u00f9 importante della fluidit\u00e0 con cui suona la prima sintesi.<\/p>\n\n\n\n<h2 id=\"limitations\" class=\"wp-block-heading\">Limiti rilevanti nella pratica<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La scheda tecnica indica che il modello lunare non \u00e8 stato convalidato per decisioni operative quali la certificazione del sito di atterraggio o l'esclusione di pericoli. Un modello scientifico pu\u00f2 aiutare ad analizzare le osservazioni senza essere in grado di certificare che un veicolo spaziale possa atterrare in sicurezza in un determinato luogo. Tali utilizzi richiedono un diverso livello di convalida.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Anche i campi generati richiedono cautela. Il modello non mantiene un sistema di riferimento geodetico assoluto e i valori generati possono discostarsi dai valori fisici. Gli autori descrivono la generazione come uno strumento di analisi qualitativa piuttosto che come una previsione scientifica calibrata. Una mappa del terreno o delle osservazioni che appaia plausibile non dovrebbe essere interpretata come un prodotto misurato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il checkpoint non \u00e8 stato valutato al di l\u00e0 della Luna. Anche nell'ambito della ricerca lunare, il quadro di riferimento \u00e8 contrastante: progressi evidenti in alcune attivit\u00e0 e risultati simili in altre. La conclusione che si pu\u00f2 trarre \u00e8 quella di valutare il modello in base all'obiettivo, alla scala, ai dati e alla linea di riferimento che corrispondono al proprio esperimento.<\/p>\n\n\n\n<h2 id=\"faq\" class=\"wp-block-heading\">Domande frequenti<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Il Lunar Foundation Model della NASA e IBM \u00e8 di libero utilizzo?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La scheda ufficiale del modello e il repository del codice indicano una licenza Apache-2.0, e il checkpoint \u00e8 disponibile pubblicamente. L'esecuzione degli esperimenti richiede comunque risorse di calcolo adeguate, la preparazione dei dati e una valutazione specifica per ogni attivit\u00e0. L'accesso aperto al modello non garantisce la disponibilit\u00e0 gratuita di risorse di calcolo su GPU o di inferenza in cloud.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Il Lunar Foundation Model della NASA e IBM \u00e8 un chatbot?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si tratta di un modello di base per il telerilevamento lunare, progettato per elaborare immagini, prodotti relativi al terreno e dati di osservazione correlati. I ricercatori lo adattano per attivit\u00e0 di rilevamento, segmentazione e regressione. Un assistente di chat pu\u00f2 aiutare a spiegare la documentazione, ma interagire con un chatbot rappresenta un flusso di lavoro diverso dall\u2019esecuzione di questo modello.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Il modello ha individuato altra acqua ghiacciata sulla Luna?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Il risultato relativo al ghiaccio riportato misura quanto le previsioni corrispondano a una mappa di potenzialit\u00e0 glaciale basata sulle conoscenze. Il miglior RMSE riportato scende da 0,0377 a 0,0293 rispetto al valore di riferimento citato, con una riduzione relativa di circa 22%. Si tratta di un miglioramento rispetto al benchmark; non \u00e8 una misura della quantit\u00e0 aggiuntiva di ghiaccio scoperta.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Posso esplorare il progetto senza scrivere codice?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 possibile leggere l'annuncio della NASA, esaminare la scheda del modello, consultare le tabelle di benchmark pubblicate e visitare la pagina ufficiale di dimostrazione senza dover creare una pipeline di addestramento. Per adattare il checkpoint rilasciato a un compito scientifico si utilizzano il codice, i dati e le configurazioni TerraTorch presenti nel repository, seguiti da una validazione specifica per il compito in questione.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">In che modo il modello lunare \u00e8 collegato a Prithvi e Surya?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Essi rientrano nella pi\u00f9 ampia collaborazione tra la NASA e IBM sui modelli di base per la scienza. La NASA descrive i modelli Prithvi per le osservazioni terrestri e le applicazioni meteorologiche, Surya per l\u2019eliofisica e il modello lunare per le osservazioni della Luna. I loro ambiti di applicazione e i compiti previsti differiscono; il modello lunare non \u00e8 stato valutato al di fuori della Luna.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il Lunar Foundation Model della NASA e IBM offre un punto di partenza riutilizzabile per la ricerca sul telerilevamento lunare. Utilizzate le tabelle ufficiali per comprenderne i punti di forza, la scheda del modello per definirne i limiti e le risorse rese disponibili per pianificare un esperimento specifico per un determinato compito. Se il vostro obiettivo immediato \u00e8 l\u2019apprendimento o la redazione di un testo, iniziate trasformando tali fonti in un briefing verificato.<\/p>\n\n\n\n<section class=\"glb-lunar-cta\" aria-label=\"Crea un documento di sintesi della ricerca 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\">Trasforma un documento tecnico in una sintesi che puoi utilizzare<\/p><p style=\"box-sizing:border-box;color:#e2eef5;line-height:1.7;margin:12px 0 20px\">Importa le tue fonti ufficiali in GlobalGPT, approfondisci i concetti che non conosci e trasforma i risultati verificati in appunti chiari o in una bozza completa, il tutto in un unico spazio di lavoro multimodello.<\/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\">Scopri le ricerche con GlobalGPT<\/a><\/section>","protected":false},"excerpt":{"rendered":"<p>Il Lunar Foundation Model della NASA e IBM \u00e8 un modello di intelligenza artificiale open source per l\u2019analisi delle osservazioni lunari. Annunciato il 10 settembre 2026, pu\u00f2 essere adattato per individuare crateri, delineare caratteristiche vulcaniche e prevedere modelli in una mappa di potenzialit\u00e0 ghiacciata. I vantaggi riportati riguardano specifici benchmark di ricerca: il risultato principale relativo al ghiaccio \u00e8 un errore di previsione inferiore, non la scoperta di [\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\/it\/wp-json\/wp\/v2\/posts\/20207","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/comments?post=20207"}],"version-history":[{"count":2,"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/posts\/20207\/revisions"}],"predecessor-version":[{"id":20215,"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/posts\/20207\/revisions\/20215"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/media\/20209"}],"wp:attachment":[{"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/media?parent=20207"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/categories?post=20207"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.glbgpt.com\/it\/wp-json\/wp\/v2\/tags?post=20207"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}