Модель «Lunar Foundation» НАСА и IBM: области применения, результаты и доступ

Модель «NASA-IBM Lunar Foundation Model» — это открытая модель искусственного интеллекта, предназначенная для анализа данных наблюдений Луны. Объявленная 10 сентября 2026 года, эта технология может быть адаптирована для обнаружения кратеров, определения очертаний вулканических образований и прогнозирования закономерностей на карте перспективности наличия льда. Сообщаемые преимущества этой технологии касаются конкретных исследовательских критериев: главным результатом в отношении льда является снижение погрешности прогнозирования, а не обнаружение большего количества воды на Луне.

Для студентов и исследователей полезными отправными точками являются официальная карточка модели, технический отчет и опубликованный исходный код. В совокупности они дают представление о том, чему научилась модель, какие задачи оценивались и что вам понадобится для создания собственного эксперимента.

Если ваша первая задача — разобраться в результатах исследования, GlobalGPT объединяет поиск источников, анализ документов, построение аргументации и написание текстов в единой мультимодельной рабочей среде. Это доступный способ, позволяющий с помощью одной подписки пройти путь от незнакомых научных терминов до четкого исследовательского задания.

Попробуйте более 100 лучших моделей на GlobalGPT

Что такое «Лунная фундаментальная модель» НАСА и IBM?

Заявление НАСА представляет проект как базовую модель для лунной науки, разработанную совместно с IBM. Базовая модель извлекает универсальные шаблоны из обширного массива данных; затем исследователи адаптируют эти шаблоны к более узкой задаче. В данном случае речь идет о данных дистанционного зондирования Луны, а не о повседневном языке.

Система LFM, разработанная НАСА и IBM, использует кодер и декодер на базе Vision Transformer с архитектурой ViT-B. В качестве входных данных в систему поступают изображения и другие продукты наблюдения с различным пространственным разрешением. Ученый может адаптировать полученное представление для обнаружения, сегментации или регрессии — трех способов поиска объектов, выделения областей и прогнозирования числовых значений.

Благодаря этому данный релиз будет полезен командам, работающим с картами Луны, а также студентам, изучающим машинное обучение в области планетологии. Ознакомление с проектом также будет полезно всем, кто хочет понять, как оценивается научная модель искусственного интеллекта. Однако использование его контрольной точки представляет собой скорее исследовательский вычислительный процесс, а не диалог в чате.

На основе каких данных происходит обучение?

Сайт карточка модели описывает обучающие данные SomBench: 963 609 наборов фрагментов с широкоугольной камеры (WAC) и 1 000 113 наборов с узкоугольной камеры (NAC). Масштаб WAC составляет около 100 метров на пиксель; масштаб NAC — около 1 метра на пиксель. Это позволяет модели учитывать как более широкий контекст местности, так и гораздо более мелкие детали поверхности на основе примерно двух миллионов наборов.

IBM описывает более широкий ресурс данных в виде более 30 синхронизированных слоёв, полученных с девяти приборов в рамках четырёх миссий. В описании модели указано 11 типов входных данных. На этих рисунках показаны различные этапы обработки данных: исходные слои, сгруппированные обучающие примеры и типы входных данных, которые кодирует модель.

Освещение также является частью дизайна. Модель получает геометрию наблюдения, включая углы освещения, в качестве явного контекста. Это помогает отличить то, как поверхность выглядит при определённом освещении, от базовых моделей рельефа, которые она изучает.

Пиксель, соответствующий примерно 100 метрам местности, не может показать столько же деталей, сколько пиксель, соответствующий примерно 1 метру. Именно поэтому результаты съёмки кратеров с помощью WAC и NAC заслуживают отдельного внимания. Улучшение качества широкомасштабных снимков не означает такого же улучшения качества изображений мелких поверхностных объектов.

Проект следует подходу предварительного обучения TerraMind, но обучается на лунных данных с нуля. Поэтому его следует рассматривать как модель, созданную для наблюдений за Луной, а не как контрольную точку для наблюдений за Землёй под новым названием. Важен вопрос о том, как выученное ею представление помогает в решении конкретной задачи, связанной с Луной.

Три задачи, в решении которых он может помочь

Опубликованные оценки охватывают три группы задач. Каждая из них дает ответ другого типа, поэтому значение термина “лучше” меняется в зависимости от задачи.

Обнаружение кратеров и сегментация вулканических объектов могут помочь исследователям систематизировать и анализировать изображения. Их полезность зависит от меток, масштаба и области оценки. Модель, демонстрирующая хорошие результаты на определённом тестовом наборе данных, всё равно требует проверки на данных и в контексте научной задачи нового проекта.

Перспективы наличия льда требуют наиболее тщательной интерпретации. Цель заключается в создании основанной на научных данных карты, показывающей, где возможно наличие льда, а не в прямом измерении запасов льда. Более высокая степень соответствия этой карте может способствовать изучению закономерностей и выявлению перспективных регионов. Это не означает, что было обнаружено дополнительное количество воды.

Что означают результаты тестирования

Сайт технический отчет приводит средние значения и стандартные отклонения по пяти случайным стартовым значениям. В результатах сравниваются адаптированные конфигурации лунной модели с базовыми вариантами модели зрения, указанными в литературе. Мы проверили опубликованные таблицы; мы не проводили повторных экспериментов с лунной моделью.

Эти метрики позволяют ответить на разные вопросы. Средняя точность (mAP) оценивает обнаружение объектов; показатель пересечения над объединением (IoU) измеряет перекрытие между предсказанными и помеченными областями; среднеквадратичная ошибка (RMSE) измеряет численную погрешность предсказания. Более высокие значения mAP и IoU являются лучшими, тогда как более низкое значение RMSE — лучше. Их не следует объединять в один показатель точности.

Результат измерения льда с помощью датчика 22% заключается в снижении погрешности

Что касается перспективности наличия льда, самая точная из зарегистрированных лунных конфигураций имеет среднеквадратичную ошибку (RMSE) 0,0293, в то время как для SwinV2-B этот показатель составляет 0,0377. Расчет выглядит следующим образом: (0,0377 − 0,0293) ÷ 0,0377 × 100 = 22,3%. Показатель RMSE оценивает погрешность прогноза по отношению к эталонной карте; чем ниже значение, тем лучше. Этот процент не является ни показателем точности, ни изменением количества лунного льда.

Результаты анализа кратеров зависят от метрики и масштаба данных

При использовании 50% обучающих данных WAC лунная модель демонстрирует показатель mAP равный 0,2541 по сравнению с 0,2313 у SwinV2-B. Этот же результат лунной модели превосходит показатель базовой модели (0,2420) при использовании 100% обучающих данных. В первом сравнении использовались равные доли данных; второе сравнение свидетельствует об эффективности меток в данном конкретном эксперименте.

Улучшение показателя IBM примерно на 19% можно сопоставить со значениями AP@75 из отчета при обучении на наборе данных объемом 50%: 0,2213 против 0,1862, что соответствует относительному увеличению на 18,9%. Показатель AP@75 оценивает качество обнаружения при определенном пороге перекрытия. Его не следует переименовывать в показатель mAP с приростом на 19% в таблице.

На более мелком масштабе NAC показатель mAP для лунной модели составляет 0,1543, а для базовой модели — 0,1552. Что касается задачи «Неправильные участки морей», то указанные значения IoU на переднем плане составляют 0,5709 и 0,5687 по сравнению с ConvNeXtV2-B. Авторы описывают эти задачи как сопоставимые с сильными базовыми моделями. Незначительные различия, наряду с отмеченными колебаниями результатов между прогонами, не подтверждают утверждение о том, что лунная модель превосходит все остальные во всех случаях.

Где это можно получить и сколько стоит доступ

Начните с приведенных ниже официальных ресурсов. Веса модели и код распространяются по лицензии Apache-2.0, а контрольная точка находится в открытом доступе. В репозитории подробно описана релиз с доработками и возможностью вывода; он явно исключает код предварительного обучения.

Если вы хотите адаптировать модель, выберите последующую задачу перед настройкой эксперимента. В репозитории представлены совместимые с TerraTorch компоненты и конфигурации, которые связывают контрольную точку, задачу и данные. TerraTorch — это программный фреймворк, используемый для организации рабочего процесса обучения и оценки.

1. Ознакомьтесь с описанием модели и файлом README, а затем выберите задачу — распознавание, сегментацию или регрессию — исходя из поставленной научной задачи.
2. Получите соответствующие данные и официальные контрольные точки, а также ознакомьтесь с конфигурацией задачи и инструкциями по настройке среды репозитория.
3. Подготовьте данные для данной конфигурации и запустите соответствующий рабочий процесс тонкой настройки или инференции.
4. Проведите оценку по отношению к соответствующему базовому уровню и сохраните разбивку данных, настройки и результаты, чтобы можно было проверить полученный результат.

Открытый доступ исключает из начального этапа процесса покупку лицензии на модель, но проведение эксперимента по-прежнему сопряжено с затратами. Требуются вычислительные ресурсы, хранилище, подготовка данных и время на оценку. Опубликованная контрольная точка не предусматривает автоматического предоставления хостируемого API или бесплатного времени работы на графическом процессоре, а исходные материалы не устанавливают универсального минимального объёма ресурсов графического процессора для каждой последующей задачи.

Используйте ИИ для анализа результатов исследования

Эффективный первый вопрос должен быть конкретным: “Что на самом деле измеряет указанное улучшение показателя 22%?” Чтобы ответить на него, необходимы цель, показатель, исходное значение и расчёт. Уточнить эти четыре момента гораздо полезнее, чем спрашивать помощника, впечатляет ли эта модель.

GlobalGPT позволяет вам выполнять всю работу по чтению — от поиска источников до анализа документов и написания текста — без необходимости переключаться между отдельными инструментами на каждом этапе. Чтобы использовать этот метод на постоянной основе, составить аналитическую записку с указанием источников с кратким списком источников и четко сформулированными вопросами, прежде чем запрашивать готовое резюме.

Мы протестировали упрощенную версию этого рабочего процесса с использованием системы GPT-5.6 Sol. Система получила набор данных, отобранных из четырёх официальных источников, и должна была подготовить краткую сводку, классифицировать шесть утверждений, рассчитать снижение RMSE и предложить практические дальнейшие шаги. В задаче использовался предоставленный текст; система не осуществляла поиск новых доказательств.

СИСТЕМА
Вы — внимательный научный редактор, пишущий для студента университета. Используйте только предоставленный пакет источников. Не просматривайте другие материалы. Разграничивайте приведенные результаты тестов производительности и реальные научные измерения. Указывайте идентификаторы источников в квадратных скобках. Если утверждение не подтверждается, четко укажите это. Не выдумывайте цитаты, цены, требования к оборудованию или результаты экспериментов. Предоставьте требуемый ответ, а не скрытые рассуждения.

ПОЛЬЗОВАТЕЛЬ
Превратите пакет источников в практическую научную заметку. Предоставьте: (1) краткое изложение простым языком объёмом 100–130 слов; (2) таблицу проверки утверждений из шести строк, в которой для каждого предоставленного утверждения должны быть указаны только «Подтверждено» или «Не подтверждено», идентификатор источника и одно предложение с объяснением; (3) относительное снижение RMSE, рассчитанное с 0,0377 до 0,0293, округленное до одного знака после запятой, с формулой и одним предложением, объясняющим, что оно не измеряет; (4) три практических следующих шага для студента, желающего изучить или адаптировать опубликованную модель. Общий объём ответа не должен превышать 500 слов.

Утверждения для проверки:
1. 10 сентября 2026 года НАСА и IBM публично объявили о создании модели.
2. Сообщаемое значение RMSE по прогнозированию наличия льда снизилось с 0,0377 для SwinV2-B до 0,0293 для полностью тонко настроенной лунной модели.
3. Модель обнаружила на Луне на 22% больше реального водяного льда.
4. НАСА проверило эту модель на соответствие требованиям сертификации мест посадки и оценки опасностей.
5. Релиз на GitHub включает код для предварительного обучения.
6. Открытый контрольный пункт гарантирует, что вычисления на графическом процессоре и хостируемое инференсирование доступны бесплатно.

Источник:
[S1] Заявление НАСА, 10 сентября 2026 г.
Название: НАСА и IBM запускают базовую модель ИИ для лунной науки.
URL: https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/
NASA объявила о создании базовой модели для лунной науки, разработанной совместно с IBM. Она общедоступна на Hugging Face, а код размещен на GitHub. Модель может быть адаптирована для картографирования кратеров, идентификации вулканических образований и исследования полярных льдов.

[S2] Официальная карточка модели NASA-IBM и технический отчет, проверено 28 сентября 2026 г.
URL описания модели: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
URL технического отчета: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model/blob/main/NI_LFM_Technical_Report.pdf
В таблице 7 отчета (стр. 18) приведены значения среднеквадратичной ошибки (RMSE) на тестовом наборе для регрессии перспективности наличия льда. Чем ниже значение, тем лучше. Среднее значение плюс/минус стандартное отклонение по пяти случайным начальным значениям: модель NASA-IBM LFM с полной тонкой настройкой — 0,0293 ± 0,0013; модель SwinV2-B, предварительно обученная на ImageNet — 0,0377 ± 0,0004. Целью является создание карты перспективности наличия льда на основе знаний. Это результаты тестирования, представленные авторами, а не результаты независимого повторения эксперимента или прямых измерений водяного льда.
Таблица 4 (стр. 16), кратеры WAC с обучающими данными 50%: mAP по ограничивающим прямоугольникам составляет 0,2541 ± 0,0018 для полностью тонко настроенной модели LFM и 0,2313 ± 0,0027 для SwinV2-B. В тех же строках показатель AP@75 составляет 0,2213 ± 0,0028 и 0,1862 ± 0,0041 соответственно. Эти метрики нельзя путать.

[S3] Официальная спецификация модели, Предполагаемое использование / Вне сферы применения / Ограничения.
URL: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
Предполагаемое использование — дистанционное зондирование Луны посредством тонкой настройки или адаптации LoRA для обнаружения, сегментации и плотной регрессии. Модель не проверена для сертификации мест посадки или оценки опасностей. Результаты по перспективности наличия льда представляют собой регрессионную карту, основанную на знаниях, а не на измеренных данных о льде. Сгенерированные поля являются качественными ориентирами, а не откалиброванными научными прогнозами. Модель не поддерживает абсолютную геодезическую систему координат. Её работоспособность за пределами Луны не проверялась. Указанная лицензия — Apache-2.0. На странице не указано развёртывание какого-либо поставщика инференции. Данный пакет не содержит обещаний о бесплатных вычислениях на GPU или бесплатной хостинговой инференции, а также не указывает минимальные требования к аппаратному обеспечению или цену на хостинговый API.

[S4] Официальный файл README на GitHub, проверено 28 сентября 2026 г.
URL: https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model
В репозитории описан релиз, содержащий результаты тонкой настройки и инференции. Код для предварительного обучения не включён. Веса и конфигурацию можно загрузить из официального репозитория моделей Hugging Face. Предоставляются совместимые с TerraTorch модули данных, задачи, оболочки базовой архитектуры и конфигурации задач. Для тонкой настройки и тестирования требуются соответствующие данные, контрольные точки и конфигурация задач. В файле README указана лицензия Apache 2.0.

## 1. Краткая информация

10 сентября 2026 года NASA и IBM объявили о выпуске модели Lunar Foundation Model. В открытом доступе на Hugging Face представлены веса, а на GitHub — код для тонкой настройки и инференса. Модель предназначена для задач дистанционного зондирования Луны, таких как картографирование кратеров, идентификация вулканических образований и исследование полярных ледяных шапок. Сообщаемые результаты тестирования на прогнозирование наличия льда показывают улучшение показателя RMSE по сравнению с моделью SwinV2-B, предварительно обученной на ImageNet, однако целью является создание карты на основе знаний, а не непосредственное измерение количества лунного льда. Результат, представленный авторами, получен на пяти случайных начальных значениях и не является результатом независимого повторения эксперимента. Модель предназначена для адаптации посредством полной тонкой настройки или метода LoRA, но не прошла валидацию для сертификации мест посадки или оценки опасностей. Код предварительного обучения отсутствует, и в релизе не обещаются ни бесплатные вычислительные ресурсы GPU, ни хостинг для инференса. [S1][S2][S3][S4]

## 2. Таблица проверки утверждений

| Утверждение | Вердикт | Источник | Пояснение |
|---|---|---|---|
| 1 | Подтверждено | [S1] | В объявлении НАСА от 10 сентября 2026 года модель указана как проект НАСА и IBM. |
| 2 | Подтверждено | [S2] | В таблице 7 приведены значения RMSE: 0,0377 для SwinV2-B и 0,0293 для полностью отлаженной лунной модели. |
| 3 | Не подтверждено | [S2] | Приведенные цифры представляют собой ошибки тестирования по сравнению с картой перспективности, основанной на знаниях, а не измерения реального лунного водяного льда. |
| 4 | Не подтверждено | [S3] | В описании модели прямо указано, что она не прошла валидацию для сертификации места посадки или оценки опасностей. |
| 5 | Не поддерживается | [S4] | Репозиторий GitHub предоставляет ресурсы для тонкой настройки и инференса, но не содержит код предварительного обучения. |
| 6 | Не поддерживается | [S3] | В пакете не предусмотрены бесплатные вычислительные ресурсы на GPU или хостинг для инференса, а также не указано развертывание поставщика инференса. |

## 3. Относительное снижение RMSE

\[
\frac{0,0377-0,0293}{0,0377}\times 100 = 22,3\%
\]

Это **относительное снижение RMSE по тесту, указанному авторами, на 22,3%**; оно не отражает обнаружение дополнительного реального водяного льда или независимо подтвержденную научную эффективность. [S2]

## 4. Практические дальнейшие шаги

1. Перед выбором задачи обнаружения, сегментации или регрессии ознакомьтесь с предназначением, ограничениями и лицензией Apache-2.0, указанными в описании модели. [S3]
2. Загрузите официальный контрольный набор данных и конфигурацию с Hugging Face, затем изучите оболочки базового кода и конфигурации задач на GitHub. [S4]
3. Получите соответствующий набор данных о Луне и используйте предоставленные компоненты, совместимые с TerraTorch, для тонкой настройки и тестирования, учитывая, что код предварительного обучения недоступен, а результаты тестирования требуют независимой оценки. [S2][S4]

Полезным результатом стало сохранение различий: ошибка эталонных данных по сравнению с обнаруженным льдом, использование в исследовательских целях по сравнению с сертификацией для посадки, а также опубликованный код адаптации по сравнению с отсутствующим кодом предварительной подготовки. Поскольку эти ограничения уже содержались в исходном пакете данных, это свидетельствует об успешном выполнении задачи по считыванию и синтезу, а не доказывает, что помощник смог бы самостоятельно выявить все нюансы.

Если речь идет о более крупном проекте, запланировать более углубленное исследовательское занятие с использованием искусственного интеллекта уделите внимание отдельным вопросам, касающимся данных, методов, оценки и ограничений. Держите исходную таблицу рядом с черновиком и после редактирования еще раз проверьте каждую цифру. Эта привычка важнее, чем то, насколько плавно звучит первая сводка.

Пределы, имеющие практическое значение

В описании модели указано, что лунная модель не прошла валидацию для принятия оперативных решений, таких как сертификация места посадки или подтверждение отсутствия опасностей. Научная модель может помочь в анализе данных наблюдений, не давая при этом возможности подтвердить, что космический аппарат сможет безопасно приземлиться в каком-либо месте. Для таких целей требуется иной уровень валидации.

Сгенерированные поля также требуют осторожности. Модель не поддерживает абсолютную геодезическую систему отсчета, и сгенерированные значения могут отклоняться от физических значений. Авторы описывают генерацию данных скорее как качественный анализ, а не как откалиброванный научный прогноз. Карта рельефа или наблюдений, выглядящая правдоподобно, не должна рассматриваться как результат измерений.

Этот контрольный показатель не оценивался за пределами Луны. Даже в рамках лунных исследований результаты его применения неоднозначны: по некоторым задачам наблюдаются явные успехи, а по другим — сопоставимые результаты. Из этого можно сделать обоснованный вывод: оценивать модель следует с учетом целей, масштаба, данных и исходных условий, соответствующих конкретному эксперименту.

Часто задаваемые вопросы

Можно ли бесплатно использовать модель «Lunar Foundation Model», разработанную НАСА и IBM?

В официальной карточке модели и репозитории кода указана лицензия Apache-2.0, а контрольная точка находится в открытом доступе. Для проведения экспериментов по-прежнему требуются соответствующие вычислительные ресурсы, подготовка данных и оценка с учетом конкретных задач. Открытый доступ к модели не гарантирует бесплатные вычисления на GPU или хостинг для инференса.

Является ли «Lunar Foundation Model» от NASA и IBM чат-ботом?

Это базовая модель для дистанционного зондирования Луны, разработанная для работы с изображениями, данными о рельефе местности и сопутствующими данными наблюдений. Исследователи адаптируют её для решения задач обнаружения, сегментации и регрессии. Чат-помощник может помочь разобраться в документации, однако взаимодействие с чат-ботом — это рабочий процесс, отличный от запуска данной модели.

Обнаружила ли модель на Луне ещё больше водяного льда?

Представленный результат по льду показывает, насколько точно прогнозы соответствуют карте перспективности образования льда, построенной на основе имеющихся знаний. Наилучшее зарегистрированное значение RMSE снижается с 0,0377 до 0,0293 по сравнению с указанным базовым показателем, что соответствует относительному снижению примерно на 22%. Это является улучшением по отношению к эталонному показателю; данное значение не отражает объем дополнительно обнаруженного льда.

Можно ли ознакомиться с проектом, не писав код?

Вы можете ознакомиться с объявлением НАСА, изучить карту модели, проанализировать опубликованные таблицы результатов тестирования и посетить официальную демонстрационную страницу, не создавая при этом конвейера обучения. Для адаптации опубликованного контрольного пункта к научной задаче используются код, данные и конфигурации TerraTorch из репозитория, после чего проводится проверка, специфичная для данной задачи.

Какое отношение лунная модель имеет к Притхви и Сурье?

Они являются частью более широкого сотрудничества между НАСА и IBM в области базовых моделей для научных исследований. НАСА описывает модели «Притхви» для наблюдений за Землей и применения в метеорологии, «Сурия» — для гелиофизики, а также лунную модель для наблюдений за Луной. Их области применения и предполагаемые задачи различаются; лунная модель не проверялась за пределами Луны.

Модель «NASA-IBM Lunar Foundation Model» представляет собой универсальную отправную точку для исследований в области дистанционного зондирования Луны. Воспользуйтесь официальными таблицами, чтобы понять её преимущества, картой модели — чтобы определить её ограничения, а также опубликованными материалами — чтобы спланировать эксперимент, ориентированный на конкретную задачу. Если ваша ближайшая цель — обучение или написание статьи, начните с того, что преобразуйте эти источники в проверенный информационный обзор.