{"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\/pt-br\/hub\/nasa-ibm-lunar-foundation-model","title":{"rendered":"Modelo da Funda\u00e7\u00e3o Lunar da NASA-IBM: utiliza\u00e7\u00f5es, resultados e acesso"},"content":{"rendered":"<p class=\"wp-block-paragraph\"><strong>O Modelo Lunar da Funda\u00e7\u00e3o NASA-IBM \u00e9 um modelo de IA aberto para a an\u00e1lise de observa\u00e7\u00f5es lunares.<\/strong> Anunciado em 10 de setembro de 2026, ele pode ser adaptado para detectar crateras, delinear caracter\u00edsticas vulc\u00e2nicas e prever padr\u00f5es em um mapa de prospectividade de gelo. Os ganhos relatados referem-se a par\u00e2metros espec\u00edficos de pesquisa: o principal resultado em rela\u00e7\u00e3o ao gelo \u00e9 um menor erro de previs\u00e3o, e n\u00e3o a descoberta de mais \u00e1gua na Lua.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Para estudantes e pesquisadores, os pontos de partida \u00fateis s\u00e3o os <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">ficha t\u00e9cnica oficial<\/a>, o relat\u00f3rio t\u00e9cnico e o c\u00f3digo disponibilizado. Juntos, eles explicam o que o modelo aprendeu, quais tarefas foram avaliadas e o que voc\u00ea precisaria para montar seu pr\u00f3prio experimento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se a sua primeira tarefa for compreender a pesquisa, <a href=\"https:\/\/www.glbgpt.com\/home?inviter=hub_content_home&amp;login=1\">GlobalGPT<\/a> re\u00fane a descoberta de fontes, a an\u00e1lise de documentos, o racioc\u00ednio e a reda\u00e7\u00e3o em um \u00fanico espa\u00e7o de trabalho multimodelo. Oferece uma maneira acess\u00edvel de passar de termos cient\u00edficos desconhecidos a um resumo de pesquisa claro por meio de uma \u00fanica assinatura.<\/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=\"painel do 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>Experimente mais de 100 modelos de ponta no 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\">Explore o modelo lunar<\/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\">O que \u00e9 o Modelo de Funda\u00e7\u00e3o Lunar da NASA-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\">Com base em quais dados ele 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\">Tr\u00eas tarefas que ele pode 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\">O que significam os resultados dos testes de desempenho<\/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\">Onde adquirir e quais s\u00e3o os custos de acesso<\/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\">Use a IA para compreender a pesquisa<\/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\">Limites que fazem diferen\u00e7a na pr\u00e1tica<\/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\">Perguntas frequentes<\/a><\/li><\/ol><\/nav>\n\n\n\n<h2 id=\"what-is-it\" class=\"wp-block-heading\">O que \u00e9 o Modelo de Funda\u00e7\u00e3o Lunar da NASA-IBM?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"https:\/\/science.nasa.gov\/science-research\/artificial-intelligence-lunar-foundation-model\/\">An\u00fancio da NASA<\/a> apresenta o projeto como um modelo de base para a ci\u00eancia lunar, desenvolvido em parceria com a IBM. Um modelo de base aprende padr\u00f5es reutiliz\u00e1veis a partir de um amplo conjunto de dados; em seguida, os pesquisadores adaptam esses padr\u00f5es a uma tarefa mais espec\u00edfica. Neste caso, o material consiste em dados de sensoriamento remoto lunar, e n\u00e3o na linguagem cotidiana.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">O LFM da NASA-IBM utiliza um codificador e um decodificador do tipo Vision Transformer, com uma arquitetura ViT-B. Suas entradas incluem imagens e outros produtos de observa\u00e7\u00e3o em diferentes resolu\u00e7\u00f5es espaciais. Um cientista pode adaptar a representa\u00e7\u00e3o resultante para detec\u00e7\u00e3o, segmenta\u00e7\u00e3o ou regress\u00e3o \u2014 tr\u00eas maneiras de localizar objetos, delimitar regi\u00f5es e prever 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 da NASA apresentando o Modelo de Base Lunar da NASA-IBM para a ci\u00eancia 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\/\">A NASA anunciou o modelo lunar<\/a> em 10 de setembro de 2026, com acesso p\u00fablico ao modelo e ao c\u00f3digo.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Isso torna o lan\u00e7amento \u00fatil para equipes que trabalham com mapas lunares e para estudantes que se dedicam ao aprendizado de m\u00e1quina planet\u00e1rio. A leitura do projeto tamb\u00e9m vale a pena para quem quer entender como um modelo cient\u00edfico de IA \u00e9 avaliado. O uso de seu ponto de verifica\u00e7\u00e3o, no entanto, constitui um fluxo de trabalho de computa\u00e7\u00e3o cient\u00edfica, e n\u00e3o uma conversa por chat.<\/p>\n\n\n\n<h2 id=\"data-and-design\" class=\"wp-block-heading\">Com base em quais dados ele aprende?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">O <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">ficha t\u00e9cnica<\/a> descreve os dados de treinamento do SomBench: 963.609 conjuntos de blocos de imagens da c\u00e2mera de \u00e2ngulo amplo (WAC) e 1.000.113 conjuntos de blocos de imagens da c\u00e2mera de \u00e2ngulo estreito (NAC). A escala da WAC \u00e9 de cerca de 100 metros por pixel; a escala da NAC \u00e9 de cerca de 1 metro por pixel. Isso proporciona ao modelo tanto um contexto mais amplo do terreno quanto detalhes de superf\u00edcie muito mais precisos, em aproximadamente dois milh\u00f5es de conjuntos.<\/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\">A IBM descreve o recurso de dados mais abrangente<\/a> como mais de 30 camadas alinhadas provenientes de nove instrumentos em quatro miss\u00f5es. A ficha do modelo especifica 11 modalidades de entrada. Essas figuras descrevem diferentes etapas do fluxo de dados: camadas de origem, exemplos de treinamento agrupados e tipos de entrada que o modelo codifica.<\/p>\n\n\n\n<section class=\"glb-lunar-data\" aria-label=\"Dados lunares e par\u00e2metros do modelo\" 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\">Um projeto, tr\u00eas unidades de contagem 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\">Mais de 30 camadas de origem<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">A IBM descreve um conjunto de dados compilado a partir de nove instrumentos de quatro miss\u00f5es.<\/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 pacotes<\/span><p style=\"box-sizing:border-box;color:#294e45;line-height:1.6;margin:8px 0\">963.609 pacotes WAC e 1.000.113 pacotes NAC oferecem duas escalas de material de treinamento.<\/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\">O modelo codifica diferentes tipos de observa\u00e7\u00f5es, incluindo imagens e produtos 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\">Camadas de fonte, pacotes de blocos e modalidades de entrada referem-se a conceitos diferentes. Fontes: <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\">Descri\u00e7\u00e3o do conjunto de dados da IBM<\/a> e o <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\" style=\"box-sizing:border-box;color:#10594e;text-decoration:underline\">ficha t\u00e9cnica oficial<\/a>.<\/p><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">A ilumina\u00e7\u00e3o tamb\u00e9m faz parte do projeto. O modelo recebe a geometria de observa\u00e7\u00e3o, incluindo os \u00e2ngulos de ilumina\u00e7\u00e3o, como contexto expl\u00edcito. Isso ajuda a distinguir a apar\u00eancia de uma superf\u00edcie sob uma ilumina\u00e7\u00e3o espec\u00edfica dos padr\u00f5es do terreno subjacente que ele est\u00e1 aprendendo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Um pixel que representa aproximadamente 100 metros de terreno n\u00e3o pode revelar os mesmos detalhes que um pixel que representa aproximadamente 1 metro. \u00c9 por isso que os resultados relativos \u00e0s crateras do WAC e do NAC merecem aten\u00e7\u00e3o especial. Um ganho em imagens de grande escala n\u00e3o significa necessariamente o mesmo ganho em pequenas caracter\u00edsticas da superf\u00edcie.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">O projeto segue a abordagem de pr\u00e9-treinamento do TerraMind, mas \u00e9 treinado a partir do zero com dados lunares. Portanto, deve ser entendido como um modelo desenvolvido para observa\u00e7\u00f5es lunares, e n\u00e3o como uma vers\u00e3o renomeada do modelo de observa\u00e7\u00e3o da Terra. A quest\u00e3o relevante \u00e9 como a representa\u00e7\u00e3o aprendida por ele contribui para uma determinada tarefa lunar.<\/p>\n\n\n\n<h2 id=\"what-it-can-do\" class=\"wp-block-heading\">Tr\u00eas tarefas que ele pode realizar<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">As avalia\u00e7\u00f5es publicadas abrangem tr\u00eas grupos de tarefas. Cada um deles gera um tipo diferente de resposta; portanto, o significado de \u201cmelhor\u201d varia de acordo com a tarefa.<\/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\">Tarefa<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Sa\u00edda<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">O que o resultado pode comprovar<\/th><\/tr><\/thead><tbody><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Detec\u00e7\u00e3o de crateras<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Caixas delimitadoras em torno de crateras nas imagens do WAC ou do NAC<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Comparando a efic\u00e1cia de um detector em identificar e localizar crateras marcadas.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Segmenta\u00e7\u00e3o irregular da mancha da \u00e9gua<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Um contorno em n\u00edvel de pixel das caracter\u00edsticas da superf\u00edcie vulc\u00e2nica<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Analisar o grau de correspond\u00eancia entre as regi\u00f5es previstas e os limites das caracter\u00edsticas rotuladas.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Regress\u00e3o da prospectividade do gelo polar<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Uma previs\u00e3o cont\u00ednua de um mapa de prospectividade baseado no conhecimento<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">An\u00e1lise da concord\u00e2ncia com um alvo modelado para poss\u00edveis condi\u00e7\u00f5es relacionadas ao gelo.<\/td><\/tr><\/tbody><\/table><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">A detec\u00e7\u00e3o de crateras e a segmenta\u00e7\u00e3o de caracter\u00edsticas vulc\u00e2nicas podem ajudar os pesquisadores a organizar e analisar imagens. Sua utilidade depende dos r\u00f3tulos, da escala e da \u00e1rea de avalia\u00e7\u00e3o. Um modelo que apresenta bom desempenho em um conjunto de teste definido ainda precisa ser avaliado com base nos dados e na quest\u00e3o cient\u00edfica de um novo projeto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>A prospectividade do gelo requer uma interpreta\u00e7\u00e3o extremamente cuidadosa.<\/strong> O objetivo \u00e9 elaborar um mapa baseado em conhecimentos que indique onde a presen\u00e7a de gelo seria plaus\u00edvel, e n\u00e3o uma medi\u00e7\u00e3o direta dos dep\u00f3sitos de gelo. Uma maior concord\u00e2ncia com esse mapa pode contribuir para pesquisas sobre padr\u00f5es e regi\u00f5es candidatas. Isso n\u00e3o significa que tenha sido encontrada uma quantidade adicional de \u00e1gua.<\/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 do modelo lunar que descreve os usos em pesquisas e os limites das previs\u00f5es de potencial de gelo.\" 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\">O <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">ficha t\u00e9cnica oficial<\/a> define a prospectividade de gelo como um alvo modelado e descarta a certifica\u00e7\u00e3o de locais de pouso.<\/figcaption><\/figure>\n\n\n\n<h2 id=\"benchmarks\" class=\"wp-block-heading\">O que significam os resultados dos testes de desempenho<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">O <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\">relat\u00f3rio t\u00e9cnico<\/a> apresenta m\u00e9dias e desvios-padr\u00e3o para cinco sementes aleat\u00f3rias. Seus resultados comparam configura\u00e7\u00f5es adaptadas do modelo lunar com linhas de base espec\u00edficas do modelo de vis\u00e3o. Verificamos as tabelas publicadas; n\u00e3o reproduzimos os experimentos do modelo lunar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">As m\u00e9tricas respondem a diferentes perguntas. A precis\u00e3o m\u00e9dia (mAP) avalia a detec\u00e7\u00e3o de objetos; a interse\u00e7\u00e3o sobre a uni\u00e3o (IoU) mede a sobreposi\u00e7\u00e3o entre as regi\u00f5es previstas e as rotuladas; o erro quadr\u00e1tico m\u00e9dio (RMSE) mede o erro num\u00e9rico de previs\u00e3o. Valores mais altos de mAP e IoU s\u00e3o melhores, enquanto um RMSE mais baixo \u00e9 melhor. Elas n\u00e3o devem ser combinadas em uma \u00fanica pontua\u00e7\u00e3o de precis\u00e3o.<\/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=\"Tabela oficial de refer\u00eancia comparando o modelo lunar com modelos de refer\u00eancia pr\u00e9-treinados no 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\">O <a href=\"https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\">tabela de refer\u00eancia dos autores<\/a> relata um aumento na prospectividade de gelo e resultados compar\u00e1veis em rela\u00e7\u00e3o a crateras e caracter\u00edsticas vulc\u00e2nicas em escala de metros.<\/figcaption><\/figure>\n\n\n\n<section class=\"glb-lunar-results\" aria-label=\"Resultados de testes de desempenho do modelo lunar relatados pelos 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\">Erro de prospectividade do gelo: o ganho mais evidente relatado<\/p><p style=\"box-sizing:border-box;color:#e0edf3;line-height:1.65;margin:12px 0\">O RMSE caiu de <strong style=\"box-sizing:border-box;color:#fff\">0,0377 a 0,0293<\/strong> contra o SwinV2-B, um <strong style=\"box-sizing:border-box;color:#fff\">22,31 TP40T redu\u00e7\u00e3o relativa<\/strong>. Um RMSE mais baixo indica uma concord\u00e2ncia mais pr\u00f3xima com o mapa de prospectividade de gelo do referencial.<\/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 Pr\u00e9-treinado com 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: quanto menor, melhor. As barras come\u00e7am em zero. M\u00e9dia \u00b1 desvio-padr\u00e3o em cinco sementes. O objetivo \u00e9 um mapa de prospectividade modelado, e n\u00e3o uma medi\u00e7\u00e3o do gelo.<\/p><div class=\"glb-lunar-results-scroll\" role=\"region\" aria-label=\"Outros resultados de benchmarks do 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\">Tarefa e dados<\/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\">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\">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\">Crateras WAC \u00b7 Dados de treinamento 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 fino 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\">Crateras WAC \u00b7 Dados de treinamento 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\">Crateras da NAC \u00b7 Dados de treinamento 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 na \u00e9gua<\/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 travado<\/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\">Os autores descrevem os resultados relativos a crateras e caracter\u00edsticas vulc\u00e2nicas em escala de metros como compar\u00e1veis a refer\u00eancias s\u00f3lidas. Suas pequenas diferen\u00e7as devem ser interpretadas em conjunto com a varia\u00e7\u00e3o entre as execu\u00e7\u00f5es.<\/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\">Relat\u00f3rio t\u00e9cnico da NASA e da IBM<\/a>, Tabelas 4\u20137, p\u00e1ginas 16 e 18. Esses s\u00e3o os resultados dos autores, e n\u00e3o uma reprodu\u00e7\u00e3o independente.<\/p><\/section>\n\n\n\n<h3 class=\"wp-block-heading\">O resultado do teste 22% no gelo representa uma redu\u00e7\u00e3o no erro<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Quanto ao potencial de gelo, a configura\u00e7\u00e3o lunar mais promissora relatada apresenta um RMSE de 0,0293, contra 0,0377 para o SwinV2-B. O c\u00e1lculo \u00e9 o seguinte: <strong>(0,0377 \u2212 0,0293) \u00f7 0,0377 \u00d7 100 = 22,3%<\/strong>. O RMSE mede o erro de previs\u00e3o em rela\u00e7\u00e3o ao mapa de refer\u00eancia; quanto menor, melhor. Essa porcentagem n\u00e3o representa nem um \u00edndice de precis\u00e3o nem uma varia\u00e7\u00e3o na quantidade de gelo lunar.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Os resultados da an\u00e1lise de crateras dependem da m\u00e9trica e da escala dos dados<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Com 50% dos dados de treinamento do WAC, o modelo lunar registra um mAP de 0,2541, contra 0,2313 do SwinV2-B. Esse mesmo resultado do modelo lunar tamb\u00e9m supera o valor de refer\u00eancia de 0,2420 com 100% dos dados de treinamento. A primeira compara\u00e7\u00e3o utiliza fra\u00e7\u00f5es iguais de dados; a segunda \u00e9 uma evid\u00eancia da efici\u00eancia do r\u00f3tulo neste experimento espec\u00edfico.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A melhoria de aproximadamente 19% da IBM pode ser conciliada com os valores de AP@75 do relat\u00f3rio para os dados de treinamento de 50%: 0,2213 contra 0,1862, um aumento relativo de 18,9%. O AP@75 avalia as detec\u00e7\u00f5es em um determinado limiar de sobreposi\u00e7\u00e3o. Ele n\u00e3o deve ser reinterpretado como um aumento de 19% na m\u00e9trica mAP da tabela.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Na escala NAC mais refinada, o mAP do modelo lunar \u00e9 de 0,1543 e o da linha de base \u00e9 de 0,1552. Para \u201cIrregular Mare Patches\u201d, os valores de IoU de primeiro plano relatados s\u00e3o 0,5709 e 0,5687 em compara\u00e7\u00e3o com o ConvNeXtV2-B. Os autores descrevem essas tarefas como compar\u00e1veis a linhas de base robustas. Pequenas diferen\u00e7as, juntamente com a varia\u00e7\u00e3o relatada entre as execu\u00e7\u00f5es, n\u00e3o sustentam a afirma\u00e7\u00e3o de que o modelo lunar se sai melhor em todos os casos.<\/p>\n\n\n\n<h2 id=\"access-and-cost\" class=\"wp-block-heading\">Onde adquirir e quais s\u00e3o os custos de acesso<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Comece pelos recursos oficiais abaixo. Os pesos do modelo e o c\u00f3digo est\u00e3o sob a licen\u00e7a Apache-2.0, e o ponto de verifica\u00e7\u00e3o est\u00e1 dispon\u00edvel publicamente. O reposit\u00f3rio descreve especificamente um <strong>vers\u00e3o de ajuste fino e infer\u00eancia<\/strong>; exclui explicitamente o c\u00f3digo de pr\u00e9-treinamento.<\/p>\n\n\n\n<section class=\"glb-lunar-access\" aria-label=\"Recursos oficiais 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\">Escolha o recurso para o seu pr\u00f3ximo 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\">Leia a ficha do modelo<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Comece pelas finalidades de uso, pelos dados de entrada, pelo licenciamento e pelas limita\u00e7\u00f5es.<\/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\">Baixar pesos e configura\u00e7\u00e3o<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">A guia \u201cArquivos\u201d cont\u00e9m o ponto de verifica\u00e7\u00e3o liberado e os arquivos associados.<\/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\">Inspecionar o c\u00f3digo de ajuste fino e de infer\u00eancia<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Use o arquivo README e as configura\u00e7\u00f5es de tarefas do TerraTorch para planejar um 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\">Explorar modelos e recursos de dados<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Acompanhe a cole\u00e7\u00e3o oficial para acessar modelos e conjuntos de dados 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\">Leia o relat\u00f3rio t\u00e9cnico<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">As Tabelas 4 a 7 apresentam os resultados das tarefas, as configura\u00e7\u00f5es e a varia\u00e7\u00e3o entre as execu\u00e7\u00f5es.<\/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\">Acesse a demonstra\u00e7\u00e3o oficial<\/a><p style=\"box-sizing:border-box;color:#2c4958;line-height:1.65;margin:9px 0 0\">Explore a vers\u00e3o de demonstra\u00e7\u00e3o do projeto. N\u00e3o realizamos uma gera\u00e7\u00e3o nesta revis\u00e3o.<\/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\">A ficha do modelo n\u00e3o indicava nenhum Provedor de Infer\u00eancia do Hugging Face implantado quando verificada em 28 de setembro de 2026. Um checkpoint para download e uma p\u00e1gina de demonstra\u00e7\u00e3o s\u00e3o formas distintas de acesso.<\/p><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Se voc\u00ea quiser adaptar o modelo, selecione a tarefa subsequente antes de configurar o experimento. O reposit\u00f3rio fornece componentes e configura\u00e7\u00f5es compat\u00edveis com o TerraTorch que conectam o ponto de verifica\u00e7\u00e3o, a tarefa e os dados. O TerraTorch \u00e9 a estrutura de software utilizada para organizar esse fluxo de trabalho de treinamento e avalia\u00e7\u00e3o.<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Leia a ficha do modelo e o arquivo README e, em seguida, escolha entre detec\u00e7\u00e3o, segmenta\u00e7\u00e3o ou regress\u00e3o, com base na quest\u00e3o cient\u00edfica.<\/li>\n\n\n\n<li>Obtenha os dados correspondentes e o ponto de verifica\u00e7\u00e3o oficial, e verifique a configura\u00e7\u00e3o das tarefas e as instru\u00e7\u00f5es de ambiente do reposit\u00f3rio.<\/li>\n\n\n\n<li>Prepare os dados para essa configura\u00e7\u00e3o e execute o fluxo de trabalho de ajuste fino ou de infer\u00eancia correspondente.<\/li>\n\n\n\n<li>Avalie em rela\u00e7\u00e3o a uma linha de base adequada e mantenha a divis\u00e3o dos dados, as configura\u00e7\u00f5es e os resultados, para que o resultado possa ser verificado.<\/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=\"Arquivo README oficial do GitHub que descreve o lan\u00e7amento do ajuste fino e da infer\u00eancia do modelo lunar.\" 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\">O <a href=\"https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\">reposit\u00f3rio oficial<\/a> fornece c\u00f3digo para ajuste fino e infer\u00eancia; n\u00e3o inclui c\u00f3digo de pr\u00e9-treinamento.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">O acesso aberto elimina a necessidade de adquirir uma licen\u00e7a do modelo na fase inicial, mas a execu\u00e7\u00e3o de um experimento ainda envolve custos. S\u00e3o necess\u00e1rios recursos de computa\u00e7\u00e3o, armazenamento, prepara\u00e7\u00e3o de dados e tempo para avalia\u00e7\u00e3o. Um ponto de verifica\u00e7\u00e3o divulgado n\u00e3o vem automaticamente acompanhado de uma API hospedada ou de tempo de GPU gratuito, e as fontes n\u00e3o estabelecem um m\u00ednimo universal de GPU para todas as tarefas subsequentes.<\/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\">Seu objetivo<\/th><th scope=\"col\" style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#edf3f6;color:#173f51\">Recurso ou custo a ser previsto<\/th><\/tr><\/thead><tbody><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Leia e avalie o comunicado<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">An\u00fancios p\u00fablicos, ficha t\u00e9cnica, relat\u00f3rio e reposit\u00f3rio.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Executar ou adaptar o modelo cient\u00edfico<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Recursos adequados de computa\u00e7\u00e3o e armazenamento, dados relevantes, configura\u00e7\u00e3o do ambiente e trabalhos de avalia\u00e7\u00e3o.<\/td><\/tr><tr><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Compreender artigos e redigir um resumo de pesquisa<\/td><td style=\"padding:13px 15px;text-align:left;vertical-align:top;border:1px solid #d5dfe5;background:#fff;color:#263c48\">Um ambiente de trabalho para assistentes de pesquisa, como o GlobalGPT, que oferece acesso a modelos e ferramentas de documentos em uma \u00fanica assinatura.<\/td><\/tr><\/tbody><\/table><\/div>\n\n\n\n<h2 id=\"research-workflow\" class=\"wp-block-heading\">Use a IA para compreender a pesquisa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Uma primeira pergunta produtiva deve ser espec\u00edfica: \u201cO que a melhoria de 22% relatada realmente mede?\u201d Responder a essa pergunta requer uma meta, uma m\u00e9trica, uma linha de base e um c\u00e1lculo. Perguntar sobre esses quatro itens \u00e9 mais \u00fatil do que perguntar a um assistente se o modelo \u00e9 impressionante.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">O GlobalGPT permite que voc\u00ea conduza esse trabalho de leitura \u2014 desde a descoberta de fontes, passando pela explica\u00e7\u00e3o de documentos, at\u00e9 a reda\u00e7\u00e3o \u2014 sem precisar alternar entre ferramentas diferentes a cada etapa. Para um m\u00e9todo repet\u00edvel, <a href=\"https:\/\/www.glbgpt.com\/hub\/how-to-use-perplexity-for-research\/\">elaborar um resumo de pesquisa com refer\u00eancia \u00e0s fontes<\/a> com uma lista sucinta de fontes e perguntas expl\u00edcitas antes de solicitar um resumo bem elaborado.<\/p>\n\n\n\n<section class=\"glb-lunar-workflow\" aria-label=\"Um fluxo de trabalho de pesquisa em tr\u00eas etapas\" 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 fontes oficiais a um resumo 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\">Re\u00fana o material prim\u00e1rio.<\/strong> Comece com o an\u00fancio da NASA e, em seguida, inclua a ficha t\u00e9cnica do modelo, o relat\u00f3rio t\u00e9cnico e o arquivo README. Voc\u00ea pode <a href=\"https:\/\/www.glbgpt.com\/perplexity?inviter=hub_content_perplexity&amp;login=1\" style=\"box-sizing:border-box;color:#125977;text-decoration:underline\">pesquisa com Perplexity em GlobalGPT<\/a> para localizar fontes de refer\u00eancia.<\/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\">Fa\u00e7a perguntas espec\u00edficas.<\/strong> Pe\u00e7a a um assistente para explicar separadamente os conceitos de mAP, IoU e RMSE e, em seguida, liste o alvo, a linha de base e a configura\u00e7\u00e3o de avalia\u00e7\u00e3o por tr\u00e1s de cada afirma\u00e7\u00e3o.<\/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\">Verifique e escreva.<\/strong> Reabra a tabela mencionada, verifique cada n\u00famero e transforme as anota\u00e7\u00f5es verificadas em um resumo que respeite os limites cient\u00edficos.<\/li><\/ol><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">Testamos uma vers\u00e3o reduzida desse fluxo de trabalho com o GPT-5.6 Sol. Ele recebeu um pacote de dados extra\u00eddos das quatro fontes oficiais e teve que produzir um breve resumo, classificar seis alega\u00e7\u00f5es, calcular a redu\u00e7\u00e3o do RMSE e sugerir pr\u00f3ximos passos pr\u00e1ticos. A tarefa utilizou o texto fornecido; o sistema n\u00e3o procurou novas evid\u00eancias.<\/p>\n\n\n\n<section class=\"glb-lunar-setup\" aria-label=\"Configura\u00e7\u00e3o do teste para o resumo da pesquisa\" 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\">Um teste de resumo com base em fontes<\/p><p style=\"box-sizing:border-box;margin:8px 0;color:#243f4c;line-height:1.65\">Fornecemos ao GPT-5.6 Sol um pequeno conjunto de informa\u00e7\u00f5es extra\u00eddas do comunicado da NASA, da ficha t\u00e9cnica oficial, do relat\u00f3rio t\u00e9cnico e do arquivo README do GitHub. Ele precisava redigir um resumo, verificar seis afirma\u00e7\u00f5es e explicar o c\u00e1lculo do 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\">\u00c1rea de trabalho e data<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">GlobalGPT \u00b7 28 de setembro de 2026<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Executar pol\u00edtica<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Uma tarefa; resposta completa na primeira tentativa; sem novas tentativas<\/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\">Pacote de fontes com 355 palavras e quatro IDs de fonte<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">\u00c2mbito<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Leitura e s\u00edntese; sem pesquisa em tempo real nem execu\u00e7\u00e3o do modelo lunar<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Configura\u00e7\u00f5es de resposta<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Limite de tokens de sa\u00edda: 4.096; todos os demais controles de amostragem mantidos nos padr\u00f5es do servi\u00e7o<\/dd><\/div><div style=\"box-sizing:border-box\"><dt style=\"box-sizing:border-box;font-weight:700;color:#234453\">Uso e custo<\/dt><dd style=\"box-sizing:border-box;margin:4px 0 14px;color:#2c4855\">Foram declarados 2.154 tokens no total; a resposta n\u00e3o incluiu uma cobran\u00e7a monet\u00e1ria<\/dd><\/div><\/dl><\/section>\n\n\n\n<section class=\"glb-lunar-t01\" aria-label=\"Resultado do teste de briefing com base na 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\">A primeira resposta manteve as alega\u00e7\u00f5es cient\u00edficas dentro do escopo<\/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\">As verifica\u00e7\u00f5es das alega\u00e7\u00f5es corresponderam \u00e0s fontes fornecidas<\/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\">Redu\u00e7\u00e3o correta do 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\">\u00c9 hora dessa resposta completa<\/span><\/div><\/div><p style=\"box-sizing:border-box;color:#25434f;line-height:1.65;margin:12px 0\">A resposta gerou um resumo de 112 palavras, refutou a alega\u00e7\u00e3o de que o modelo tivesse descoberto 22% mais gelo real e manteve as restri\u00e7\u00f5es \u00e0 certifica\u00e7\u00e3o de locais de pouso e ao acesso ao c\u00f3digo de pr\u00e9-treinamento. Suas tr\u00eas etapas seguintes remetiam \u00e0 ficha t\u00e9cnica oficial do modelo, ao ponto de verifica\u00e7\u00e3o e aos recursos do 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\">Essa foi uma tarefa de leitura com base em material fornecido. O pacote de materiais de refer\u00eancia j\u00e1 indicava as principais limita\u00e7\u00f5es. O resultado n\u00e3o avalia o desempenho em pesquisa aut\u00f4noma nem em infer\u00eancia por sensoriamento remoto 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\">Visualizar o prompt exato e o pacote de origem<\/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\nVoc\u00ea \u00e9 um editor de pesquisa meticuloso escrevendo para um estudante universit\u00e1rio. Utilize apenas o pacote de fontes fornecido. N\u00e3o pesquise na internet. Distinga as medi\u00e7\u00f5es de benchmark relatadas das medi\u00e7\u00f5es cient\u00edficas do mundo real. Cite os IDs das fontes entre colchetes. Se uma afirma\u00e7\u00e3o n\u00e3o for comprovada, indique isso claramente. N\u00e3o invente cita\u00e7\u00f5es, pre\u00e7os, requisitos de hardware ou resultados experimentais. Forne\u00e7a a resposta solicitada, sem incluir racioc\u00ednios ocultos.\n\nUSU\u00c1RIO\nTransforme o pacote de fontes em uma nota de pesquisa pr\u00e1tica. Entregue: (1) um resumo em linguagem simples com 100\u2013130 palavras; (2) uma tabela de verifica\u00e7\u00e3o de alega\u00e7\u00f5es com seis linhas, usando exatamente \u201cComprovado\u201d ou \u201cN\u00e3o comprovado\u201d, um ID de fonte e uma explica\u00e7\u00e3o de uma frase para cada alega\u00e7\u00e3o fornecida; (3) a redu\u00e7\u00e3o relativa do RMSE calculada de 0,0377 para 0,0293, arredondada para uma casa decimal, com uma f\u00f3rmula e uma frase explicando o que ela n\u00e3o mede; (4) tr\u00eas pr\u00f3ximos passos pr\u00e1ticos para um aluno que queira examinar ou adaptar o modelo divulgado. Mantenha toda a resposta com menos de 500 palavras.\n\nAfirma\u00e7\u00f5es a serem verificadas:\n1. A NASA e a IBM anunciaram publicamente o modelo em 10 de setembro de 2026.\n2. O RMSE de prospectividade de gelo relatado caiu de 0,0377 para o SwinV2-B para 0,0293 para o modelo lunar totalmente ajustado.\n3. O modelo descobriu 22% a mais de gelo de \u00e1gua real na Lua.\n4. A NASA validou esse modelo para certifica\u00e7\u00e3o de locais de pouso e verifica\u00e7\u00e3o de riscos.\n5. O lan\u00e7amento no GitHub inclui o c\u00f3digo de pr\u00e9-treinamento.\n6. Um ponto de verifica\u00e7\u00e3o aberto garante que a computa\u00e7\u00e3o em GPU e a infer\u00eancia hospedada sejam gratuitas.\n\nPacote de fontes:\n[S1] An\u00fancio da NASA, 10 de setembro de 2026.\nT\u00edtulo: NASA e IBM lan\u00e7am modelo de base de IA para ci\u00eancia lunar.\nURL: https:\/\/science.nasa.gov\/science-research\/artificial-intelligence-lunar-foundation-model\/\nA NASA anunciou um modelo de base para ci\u00eancia lunar desenvolvido em parceria com a IBM. Ele est\u00e1 hospedado publicamente no Hugging Face, com o c\u00f3digo dispon\u00edvel no GitHub. Pode ser adaptado para mapeamento de crateras, identifica\u00e7\u00e3o de caracter\u00edsticas vulc\u00e2nicas e pesquisa sobre o gelo polar.\n\n[S2] Ficha t\u00e9cnica oficial do modelo NASA-IBM e relat\u00f3rio t\u00e9cnico, consultados em 28 de setembro de 2026.\nURL da ficha do modelo: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\nURL do relat\u00f3rio t\u00e9cnico: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\/blob\/main\/NI_LFM_Technical_Report.pdf\nA Tabela 7 do relat\u00f3rio (p\u00e1gina 18) apresenta o erro quadr\u00e1tico m\u00e9dio (RMSE) do conjunto de teste para a regress\u00e3o de prospectividade de gelo. Quanto menor, melhor. M\u00e9dia mais\/menos desvio padr\u00e3o em cinco sementes aleat\u00f3rias: NASA-IBM LFM com ajuste fino completo, 0,0293 \u00b1 0,0013; SwinV2-B pr\u00e9-treinado no ImageNet, 0,0377 \u00b1 0,0004. O objetivo \u00e9 um mapa de prospectividade de gelo baseado em conhecimento. Esses s\u00e3o resultados de benchmark relatados pelos autores, n\u00e3o uma replica\u00e7\u00e3o independente ou uma medi\u00e7\u00e3o direta de gelo de \u00e1gua.\nTabela 4 (p\u00e1gina 16), crateras WAC com dados de treinamento 50%: o mAP da caixa delimitadora \u00e9 de 0,2541 \u00b1 0,0018 para o LFM totalmente ajustado e de 0,2313 \u00b1 0,0027 para o SwinV2-B. Nas mesmas linhas, o AP@75 \u00e9 0,2213 \u00b1 0,0028 e 0,1862 \u00b1 0,0041, respectivamente. Essas m\u00e9tricas n\u00e3o devem ser trocadas.\n\n[S3] Ficha t\u00e9cnica oficial do modelo, Uso pretendido \/ Fora do escopo \/ Limita\u00e7\u00f5es.\nURL: https:\/\/huggingface.co\/nasa-ibm-ai4science\/NASA-IBM-Lunar-Foundation-Model\nA finalidade de uso \u00e9 o sensoriamento remoto lunar por meio de ajuste fino ou adapta\u00e7\u00e3o LoRA para detec\u00e7\u00e3o, segmenta\u00e7\u00e3o e regress\u00e3o densa. O modelo n\u00e3o foi validado para certifica\u00e7\u00e3o de locais de pouso ou verifica\u00e7\u00e3o de riscos. Os resultados de prospectividade de gelo representam um mapa baseado em conhecimento, n\u00e3o em medi\u00e7\u00f5es reais de gelo. Os campos gerados s\u00e3o sondagens qualitativas, n\u00e3o previs\u00f5es cient\u00edficas calibradas. O modelo n\u00e3o mant\u00e9m um referencial geod\u00e9sico absoluto. Ele n\u00e3o foi avaliado fora da Lua. A licen\u00e7a indicada \u00e9 a Apache-2.0. A p\u00e1gina n\u00e3o informa nenhuma implanta\u00e7\u00e3o do Inference Provider. Este pacote n\u00e3o oferece nenhuma garantia de computa\u00e7\u00e3o gratuita em GPU ou infer\u00eancia hospedada gratuita, nem especifica requisitos m\u00ednimos de hardware ou pre\u00e7o da API hospedada.\n\n[S4] README oficial do GitHub, verificado em 28 de setembro de 2026.\nURL: https:\/\/github.com\/NASA-IMPACT\/NASA-IBM-Lunar-Foundation-Model\nO reposit\u00f3rio descreve uma vers\u00e3o de ajuste fino e infer\u00eancia. O c\u00f3digo de pr\u00e9-treinamento n\u00e3o est\u00e1 inclu\u00eddo. Os pesos e a configura\u00e7\u00e3o podem ser baixados do reposit\u00f3rio oficial de modelos do Hugging Face. S\u00e3o fornecidos m\u00f3dulos de dados, tarefas, wrappers de backbone e configura\u00e7\u00f5es de tarefas compat\u00edveis com o TerraTorch. O ajuste fino e os testes exigem os dados, o ponto de verifica\u00e7\u00e3o e a configura\u00e7\u00e3o de tarefa relevantes. O arquivo README indica uma licen\u00e7a 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\">Veja a primeira resposta 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. Resumo\n\nA NASA e a IBM anunciaram o Lunar Foundation Model em 10 de setembro de 2026. O lan\u00e7amento p\u00fablico disponibiliza pesos no Hugging Face e c\u00f3digos de ajuste fino e infer\u00eancia no GitHub, voltados para tarefas de sensoriamento remoto lunar, como mapeamento de crateras, identifica\u00e7\u00e3o de caracter\u00edsticas vulc\u00e2nicas e pesquisa sobre gelo polar. Seu benchmark de prospectividade de gelo relatado melhora o RMSE em rela\u00e7\u00e3o a um SwinV2-B pr\u00e9-treinado no ImageNet, mas o objetivo \u00e9 um mapa baseado em conhecimento, e n\u00e3o a medi\u00e7\u00e3o direta de gelo lunar. O resultado foi relatado pelos autores com base em cinco sementes aleat\u00f3rias e n\u00e3o constitui uma replica\u00e7\u00e3o independente. O modelo destina-se \u00e0 adapta\u00e7\u00e3o por meio de ajuste fino completo ou LoRA, mas n\u00e3o foi validado para certifica\u00e7\u00e3o de locais de pouso ou verifica\u00e7\u00e3o de riscos. N\u00e3o h\u00e1 c\u00f3digo de pr\u00e9-treinamento, e a vers\u00e3o disponibilizada n\u00e3o promete nem computa\u00e7\u00e3o gratuita em GPU nem infer\u00eancia hospedada. [S1][S2][S3][S4]\n\n## 2. Tabela de verifica\u00e7\u00e3o de alega\u00e7\u00f5es\n\n| Alega\u00e7\u00e3o | Veredicto | Fonte | Explica\u00e7\u00e3o |\n|---|---|---|---|\n| 1 | Comprovada | [S1] | O an\u00fancio da NASA \u00e9 datado de 10 de setembro de 2026 e identifica o modelo como um projeto da NASA em parceria com a IBM. |\n| 2 | Comprovada | [S2] | A Tabela 7 apresenta valores de RMSE de 0,0377 para o SwinV2-B e de 0,0293 para o modelo lunar totalmente ajustado. |\n| 3 | N\u00e3o comprovado | [S2] | Os valores representam erros de benchmark em rela\u00e7\u00e3o a um mapa de prospectividade baseado em conhecimento, e n\u00e3o medi\u00e7\u00f5es reais de gelo de \u00e1gua lunar. |\n| 4 | N\u00e3o comprovado | [S3] | A ficha do modelo afirma explicitamente que o modelo n\u00e3o foi validado para certifica\u00e7\u00e3o de locais de pouso ou avalia\u00e7\u00e3o de riscos. |\n| 5 | N\u00e3o suportado | [S4] | O reposit\u00f3rio do GitHub fornece recursos de ajuste fino e infer\u00eancia, mas exclui o c\u00f3digo de pr\u00e9-treinamento. |\n| 6 | N\u00e3o suportado | [S3] | O pacote n\u00e3o promete computa\u00e7\u00e3o gratuita em GPU nem infer\u00eancia hospedada, e n\u00e3o relata nenhuma implanta\u00e7\u00e3o de Provedor de Infer\u00eancia. |\n\n## 3. Redu\u00e7\u00e3o relativa do RMSE\n\n\\[\n\\frac{0,0377-0,0293}{0,0377}\\times 100 = 22,3\\%\n\\]\n\nTrata-se de uma **redu\u00e7\u00e3o relativa de 22,3% no RMSE do benchmark relatado pelos autores**; ela n\u00e3o mede o descobrimento adicional de gelo de \u00e1gua real nem o desempenho cient\u00edfico validado de forma independente. [S2]\n\n## 4. Pr\u00f3ximos passos pr\u00e1ticos\n\n1. Leia os usos pretendidos, as limita\u00e7\u00f5es e a licen\u00e7a Apache-2.0 do cart\u00e3o do modelo antes de selecionar uma tarefa de detec\u00e7\u00e3o, segmenta\u00e7\u00e3o ou regress\u00e3o. [S3]\n2. Baixe o checkpoint oficial e a configura\u00e7\u00e3o do Hugging Face e, em seguida, examine os wrappers do backbone do GitHub e as configura\u00e7\u00f5es das tarefas. [S4]\n3. Obtenha o conjunto de dados lunar relevante e use os componentes compat\u00edveis com o TerraTorch fornecidos para fazer o ajuste fino e os testes, documentando que o c\u00f3digo de pr\u00e9-treinamento n\u00e3o est\u00e1 dispon\u00edvel e que os resultados dos benchmarks exigem avalia\u00e7\u00e3o independente. [S2][S4]<\/pre><\/details><\/section>\n\n\n\n<p class=\"wp-block-paragraph\">O resultado \u00fatil foi a preserva\u00e7\u00e3o das distin\u00e7\u00f5es: erro de refer\u00eancia versus gelo detectado, uso para pesquisa versus certifica\u00e7\u00e3o de pouso e c\u00f3digo de adapta\u00e7\u00e3o divulgado versus aus\u00eancia de c\u00f3digo de pr\u00e9-treinamento. Como esses limites j\u00e1 estavam presentes no pacote de origem, isso constitui uma evid\u00eancia de que a tarefa de leitura e s\u00edntese foi bem-sucedida, e n\u00e3o uma prova de que um assistente descobriria, de forma independente, todas as ressalvas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Para um projeto maior, <a href=\"https:\/\/www.glbgpt.com\/hub\/how-to-use-chatgpt-deep-research-complete-tutorial-tips-and-best-practices\/\">planejar uma sess\u00e3o de pesquisa mais aprofundada com o aux\u00edlio da IA<\/a> em torno de quest\u00f5es espec\u00edficas sobre dados, m\u00e9todos, avalia\u00e7\u00e3o e limita\u00e7\u00f5es. Mantenha a tabela de origem ao lado do rascunho e verifique novamente cada n\u00famero ap\u00f3s a edi\u00e7\u00e3o. Esse h\u00e1bito \u00e9 mais importante do que a flu\u00eancia do primeiro resumo.<\/p>\n\n\n\n<h2 id=\"limitations\" class=\"wp-block-heading\">Limites que fazem diferen\u00e7a na pr\u00e1tica<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">A ficha t\u00e9cnica indica que o modelo lunar ainda n\u00e3o foi validado para decis\u00f5es operacionais, como a certifica\u00e7\u00e3o de locais de pouso ou a avalia\u00e7\u00e3o de riscos. Um modelo cient\u00edfico pode ajudar a analisar observa\u00e7\u00f5es sem que se tenha a certeza de que uma espa\u00e7onave possa pousar com seguran\u00e7a em algum lugar. Essas aplica\u00e7\u00f5es exigem um n\u00edvel diferente de valida\u00e7\u00e3o.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Os campos gerados tamb\u00e9m exigem cautela. O modelo n\u00e3o mant\u00e9m um referencial geod\u00e9sico absoluto, e os valores gerados podem se desviar dos valores f\u00edsicos. Os autores descrevem a gera\u00e7\u00e3o como uma an\u00e1lise qualitativa, e n\u00e3o como uma previs\u00e3o cient\u00edfica calibrada. Um mapa de terreno ou de observa\u00e7\u00e3o que pare\u00e7a plaus\u00edvel n\u00e3o deve ser interpretado como um produto de medi\u00e7\u00e3o.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">O ponto de verifica\u00e7\u00e3o ainda n\u00e3o foi avaliado al\u00e9m da Lua. Mesmo no \u00e2mbito da pesquisa lunar, o quadro geral \u00e9 misto: ganhos evidentes em algumas tarefas e resultados compar\u00e1veis em outras. A li\u00e7\u00e3o que se pode tirar \u00e9 a de avaliar o modelo em rela\u00e7\u00e3o \u00e0 meta, \u00e0 escala, aos dados e \u00e0 linha de base que correspondam ao seu experimento.<\/p>\n\n\n\n<h2 id=\"faq\" class=\"wp-block-heading\">Perguntas frequentes<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">O Modelo de Funda\u00e7\u00e3o Lunar da NASA-IBM \u00e9 de uso gratuito?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">A ficha t\u00e9cnica oficial do modelo e o reposit\u00f3rio de c\u00f3digo indicam uma licen\u00e7a Apache-2.0, e o ponto de verifica\u00e7\u00e3o est\u00e1 dispon\u00edvel publicamente. A realiza\u00e7\u00e3o de experimentos ainda requer recursos computacionais adequados, prepara\u00e7\u00e3o de dados e avalia\u00e7\u00e3o espec\u00edfica para cada tarefa. O acesso aberto ao modelo n\u00e3o oferece garantia de computa\u00e7\u00e3o gratuita em GPU ou infer\u00eancia hospedada.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">O Modelo de Funda\u00e7\u00e3o Lunar da NASA-IBM \u00e9 um chatbot?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Trata-se de um modelo base para sensoriamento remoto lunar, desenvolvido para trabalhar com imagens, produtos de relevo e dados de observa\u00e7\u00e3o relacionados. Os pesquisadores o adaptam para tarefas de detec\u00e7\u00e3o, segmenta\u00e7\u00e3o e regress\u00e3o. Um assistente de chat pode ajudar a explicar a documenta\u00e7\u00e3o, mas interagir com um chatbot \u00e9 um fluxo de trabalho diferente da execu\u00e7\u00e3o desse modelo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">O modelo descobriu mais gelo de \u00e1gua na Lua?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">O resultado relatado sobre gelo mede o grau de correspond\u00eancia entre as previs\u00f5es e um mapa de prospectividade de gelo baseado em conhecimento. O melhor RMSE relatado cai de 0,0377 para 0,0293 em rela\u00e7\u00e3o \u00e0 linha de base citada, uma redu\u00e7\u00e3o relativa de cerca de 22%. Trata-se de uma melhoria em rela\u00e7\u00e3o ao benchmark; n\u00e3o \u00e9 uma medida de gelo adicional descoberto.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Posso explorar o projeto sem escrever c\u00f3digo?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Voc\u00ea pode ler o an\u00fancio da NASA, examinar o cart\u00e3o do modelo, explorar as tabelas de refer\u00eancia publicadas e visitar a p\u00e1gina oficial de demonstra\u00e7\u00e3o sem precisar construir um pipeline de treinamento. A adapta\u00e7\u00e3o do checkpoint divulgado a uma tarefa cient\u00edfica utiliza o c\u00f3digo, os dados e as configura\u00e7\u00f5es do TerraTorch do reposit\u00f3rio, seguida de uma valida\u00e7\u00e3o espec\u00edfica para a tarefa.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Como o modelo lunar se relaciona com Prithvi e Surya?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Eles fazem parte da colabora\u00e7\u00e3o mais ampla entre a NASA e a IBM sobre modelos de base para a ci\u00eancia. A NASA descreve os modelos Prithvi para observa\u00e7\u00f5es da Terra e aplica\u00e7\u00f5es meteorol\u00f3gicas, o Surya para heliof\u00edsica e o modelo lunar para observa\u00e7\u00f5es da Lua. Seus dom\u00ednios e tarefas previstas diferem; o modelo lunar ainda n\u00e3o foi avaliado fora da Lua.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">O Modelo Lunar da Funda\u00e7\u00e3o NASA-IBM oferece um ponto de partida reutiliz\u00e1vel para pesquisas de sensoriamento remoto lunar. Utilize as tabelas oficiais para compreender seus pontos fortes, o cart\u00e3o do modelo para definir seus limites e os recursos disponibilizados para planejar um experimento espec\u00edfico para uma determinada tarefa. Se seu objetivo imediato for aprender ou escrever, comece transformando essas fontes em um resumo verificado.<\/p>\n\n\n\n<section class=\"glb-lunar-cta\" aria-label=\"Elabore um resumo de pesquisa com o 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\">Transforme um artigo t\u00e9cnico em um resumo pr\u00e1tico<\/p><p style=\"box-sizing:border-box;color:#e2eef5;line-height:1.7;margin:12px 0 20px\">Traga suas fontes oficiais para o GlobalGPT, analise conceitos desconhecidos e transforme as conclus\u00f5es verificadas em anota\u00e7\u00f5es claras ou em um rascunho finalizado \u2014 tudo em um \u00fanico espa\u00e7o de trabalho 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\">Explore pesquisas com o GlobalGPT<\/a><\/section>","protected":false},"excerpt":{"rendered":"<p>O Modelo Lunar da Funda\u00e7\u00e3o NASA-IBM \u00e9 um modelo aberto de IA para a an\u00e1lise de observa\u00e7\u00f5es lunares. Anunciado em 10 de setembro de 2026, ele pode ser adaptado para detectar crateras, delinear caracter\u00edsticas vulc\u00e2nicas e prever padr\u00f5es em um mapa de prospectividade de gelo. Os ganhos relatados dizem respeito a par\u00e2metros de refer\u00eancia espec\u00edficos de pesquisa: o principal resultado em rela\u00e7\u00e3o ao gelo \u00e9 um menor erro de previs\u00e3o, e n\u00e3o a descoberta 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\/pt-br\/wp-json\/wp\/v2\/posts\/20207","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/comments?post=20207"}],"version-history":[{"count":2,"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/posts\/20207\/revisions"}],"predecessor-version":[{"id":20215,"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/posts\/20207\/revisions\/20215"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/media\/20209"}],"wp:attachment":[{"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/media?parent=20207"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/categories?post=20207"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.glbgpt.com\/pt-br\/wp-json\/wp\/v2\/tags?post=20207"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}