NASA-IBM 月球基礎模型：用途、成果與存取方式

NASA-IBM 月球基礎模型（Lunar Foundation Model）是一個用於分析月球觀測資料的開放式人工智慧模型。. 該技術於 2026 年 9 月 10 日公布，可經調整用於偵測隕石坑、勾勒火山地貌輪廓，並預測冰資源潛力圖中的模式。 據報導，其進展主要體現在特定研究基準上：關於冰的關鍵成果在於預測誤差降低，而非發現月球上存在更多水。.

對於學生和研究人員而言，有用的起點是 官方模型卡, 、技術報告以及已公開的程式碼。這些資料共同闡述了模型所學習的內容、評估的任務，以及您需要哪些資源才能建立自己的實驗。.

如果你的首要任務是理解這項研究，, GlobalGPT 將資料來源探索、文獻分析、推理與寫作整合至單一的多模態工作區中。透過單一訂閱方案，它提供了一種經濟實惠的方式，讓使用者能從不熟悉的科學術語逐步轉化為清晰的研究簡報。.

在 GlobalGPT 上試用 100 多種頂級模型

什麼是 NASA-IBM 月球基礎模型？

美國國家航空暨太空總署（NASA）的聲明 該專案被介紹為月球科學的基礎模型，由 IBM 共同開發。基礎模型會從龐大的資料集合中學習可重複使用的模式；研究人員隨後將這些模式應用於更狹義的任務。在此，資料來源是月球遙感資料，而非日常語言。.

NASA-IBM LFM 採用基於 ViT-B 架構的視覺變換器（Vision Transformer）編碼器與解碼器。其輸入包含不同空間解析度的影像及其他觀測產品。科學家可將生成的表徵應用於偵測、分割或迴歸——這三種方法分別用於尋找物件、勾勒區域輪廓以及預測數值。.

這使得該發布版本對從事月球地圖工作的團隊，以及研習行星機器學習的學生都頗具實用價值。對於任何希望了解科學型 AI 模型如何進行評估的人來說，閱讀此專案也頗有收穫。不過，使用其檢查點屬於研究運算工作流程，而非聊天對話。.

它是從哪些資料中學習的？

的 模型卡 描述了 SomBench 訓練資料：963,609 組廣角相機（WAC）圖塊束與 1,000,113 組窄角相機（NAC）圖塊束。 廣角相機（WAC）的尺度約為每像素 100 公尺；窄角相機（NAC）的尺度約為每像素 1 公尺。這使得模型能夠在約兩百萬個圖塊束中，同時掌握更廣闊的地形脈絡與更細膩的表面細節。.

IBM 闡述了更廣泛的數據資源 包含來自四個任務、九種儀器的超過 30 個對齊圖層。模型卡片指定了 11 種輸入模式。這些圖表描述了資料處理流程的不同階段：來源圖層、封裝好的訓練範例，以及模型所編碼的輸入類型。.

照明也是設計的一部分。模型會將觀察幾何資訊（包括照明角度）作為顯式背景資訊接收。這有助於區分表面在特定照明條件下的外觀，與其正在學習的底層地形模式之間的差異。.

一個代表約 100 公尺地形的像素，無法展現與代表約 1 公尺地形的像素相同的細節。正因如此，WAC 與 NAC 拍攝的隕石坑觀測結果值得分別探討。在廣域影像上取得的進展，並不代表在微小地表特徵上也能取得同等程度的進展。.

本專案遵循 TerraMind 的預訓練方法，但完全從頭開始使用月球資料進行訓練。因此，應將其視為專為月球觀測所建構的模型，而非僅是更名後的地球觀測檢查點。關鍵問題在於，其學習到的表徵如何有助於特定月球任務。.

它可支援的三項任務

已發表的評估涵蓋三類任務。每類任務產生的答案類型各不相同，因此「較好」的定義會隨著任務而改變。.

火山口偵測與火山地貌分割有助於研究人員整理和分析影像。其實用性取決於標籤、比例尺及評估區域。即使某個模型在既定的測試集上表現優異，仍需針對新專案的數據及科學問題進行評估。.

冰層潛力需要最謹慎的解讀。. 該目標是繪製一張以知識為基礎、標示冰層可能存在位置的地圖，而非對冰層沉積量的直接測量。若觀測結果與該地圖的吻合度更高，將有助於針對冰層分布模式及潛在區域進行研究。這並不意味著已發現額外的水資源。.

基準測試結果的意義

的 技術報告 提供了五組隨機初始值下的平均值與標準差。其結果將調整過的「月球模型」配置與特定「視覺模型」基準進行了比較。我們查閱了已發表的表格；但並未重現這些「月球」實驗。.

這些指標用以回答不同的問題。 平均精確度 (mAP) 用於評估物件偵測效果；交集率 (IoU) 用於衡量預測區域與標記區域之間的重疊程度；均方根誤差 (RMSE) 則用於衡量數值預測誤差。mAP 和 IoU 數值越高越好，而 RMSE 數值越低越好。這些指標不應合併成單一的準確度分數。.

22% 冰測結果顯示誤差有所減少

就冰資源潛力而言，已報告的最強月球配置其均方根誤差（RMSE）為 0.0293，而 SwinV2-B 則為 0.0377。其計算方式如下： (0.0377 − 0.0293) ÷ 0.0377 × 100 = 22.3%. RMSE 用來衡量預測值與目標地圖之間的誤差；數值越低越好。此百分比既非準確度分數，亦非月球冰量的變化。.

隕石坑的結果取決於計量單位和數據尺度

使用 50% 的 WAC 訓練資料時，月球模型的 mAP 為 0.2541，而 SwinV2-B 則為 0.2313。 該月球模型的結果亦超越了使用 100% 訓練資料所獲得的基準值 0.2420。第一項比較採用相等的資料比例；第二項則證明了在此特定實驗中標籤效率的優勢。.

IBM 約 19% 的「隕石坑」改善幅度，可與該報告在 50% 訓練資料下的 AP@75 數值相互對照：0.2213 對比 0.1862，相對增幅為 18.9%。 AP@75是用於評估在特定重疊率閾值下偵測結果的指標。不應將其重新標記為表格中 mAP 指標的 19% 提升值。.

在較細緻的 NAC 尺度下，月球模型的 mAP 為 0.1543，而基準模型的 mAP 為 0.1552。 針對「不規則月海斑塊」（Irregular Mare Patches）任務，該模型相較於 ConvNeXtV2-B 所報告的前景 IoU 值分別為 0.5709 和 0.5687。作者將這些任務描述為與強基線模型相當。這些微小的差異，加上各運行次數間所報告的變異性，並不足以支持「月球模型在所有情況下都勝出」的論點。.

哪裡可以取得，以及使用費用是多少

請從下方的官方資源開始。模型權重與程式碼採用 Apache-2.0 授權，且檢查點已公開提供。該儲存庫特別說明了 微調與推論版本發布; ；它明確排除預訓練程式碼。.

若要調整模型，請在設定實驗之前先選擇下游任務。此儲存庫提供與 TerraTorch 相容的元件與設定，用以串聯檢查點、任務及資料。TerraTorch 是一種用於組織訓練與評估工作流程的軟體框架。.

1. 請閱讀模型說明卡和 README 文件，然後根據研究問題選擇「偵測」、「分割」或「回歸」。.
2. 取得相應的資料與官方檢查點，並檢視儲存庫中的任務配置與環境設定說明。.
3. 準備該配置所需的資料，並執行相關的微調或推論工作流程。.
4. 請根據適當的基準進行評估，並保留資料分割、設定及輸出結果，以便日後核對結果。.

開放存取雖然省去了初期購買模型授權的步驟，但執行實驗仍需付出成本。您需要運算資源、儲存空間、資料準備，以及用於評估的時間。已發布的檢查點並不會自動附帶託管 API 或免費的 GPU 運算時間，且原始碼也並未為每個下游任務設定通用的最低 GPU 需求。.

運用人工智慧來理解這項研究

一個有建設性的首個問題應具針對性：「報導中所提的 22% 改善，實際上衡量的是什麼？」要回答這個問題，需要一個目標、一個指標、一個基準，以及一個計算方式。詢問這四項內容，比問助理這個模型是否令人印象深刻更有幫助。.

GlobalGPT 讓您能夠在資料來源探索、文件說明及撰寫等閱讀相關工作流程中一氣呵成，無需在每個步驟間切換不同的工具。若要建立一套可重複的方法，, 編製一份經來源核實的研究簡報 在請求一份精煉的摘要之前，請先提供簡短的資料來源清單及具體的問題。.

我們使用 GPT-5.6 Sol 測試了此工作流程的一個精簡版本。該系統接收來自四個官方來源的資料包，並需據此產出簡短簡報、對六項主張進行分類、計算均方根誤差（RMSE）的降低幅度，並提出切實可行的後續步驟。此任務僅使用提供的文本；系統並未主動搜尋新證據。.

系統
您是一位謹慎的研究編輯，正為一名大學生撰寫文章。請僅使用提供的資料包，切勿自行搜尋其他資料。請區分報導中的基準測試數據與實際科學測量數據。請在方括號內註明來源編號。若某項論點缺乏依據，請明確指出。 切勿捏造引用來源、價格、硬體需求或實驗結果。請提供所要求的答案，而非隱含的推理過程。

使用者
將資料包轉化為實用的研究筆記。提交內容包括：(1) 一份 100–130 字的通俗易懂簡報；(2) 一張六行「主張核對表」，針對每項提供的論點，僅使用「有依據」或「無依據」作為標籤，並附上來源編號及一句說明； (3) 根據 0.0377 至 0.0293 計算得出的相對 RMSE 降低幅度，精確到小數點後一位，並附上公式及一句說明其未測量的內容；(4) 針對希望檢視或調整已發布模型的學生，提出三項實用的後續步驟。 整段回應請控制在 500 字以內。

待檢證的論點：
1. NASA 與 IBM 於 2026 年 9 月 10 日公開宣布了該模型。
2. 報告中所述的冰資源潛力 RMSE 值，從 SwinV2-B 的 0.0377 降至完整微調月球模型的 0.0293。
3. 該模型在月球上發現了 22% 更多的真實水冰。
4. NASA 已針對著陸點認證與危險評估，對此模型進行了驗證。
5. GitHub 發布版本包含預訓練程式碼。
6. 開放式檢查點確保 GPU 運算與託管推論服務皆為免費。

來源資料包：
[S1] NASA 公告，2026年9月10日。
標題：NASA 與 IBM 推出用於月球科學的人工智慧基礎模型。
網址：https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/
NASA 宣布與 IBM 共同開發了一款月球科學基礎模型。該模型已公開託管於 Hugging Face，相關程式碼則發布於 GitHub。此模型可應用於隕石坑測繪、火山地貌識別及極地冰層研究。

[S2] NASA-IBM 官方模型卡與技術報告，查閱日期：2026 年 9 月 28 日。
模型卡網址：https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
技術報告網址：https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model/blob/main/NI_LFM_Technical_Report.pdf
該報告的表 7（第 18 頁）列出了冰層潛在性迴歸的測試集均方根誤差（RMSE）。數值越低表示表現越佳。 基於五組隨機初始值計算的平均值（正負標準差）：經全面微調的 NASA-IBM LFM，0.0293 ± 0.0013；ImageNet 預訓練的 SwinV2-B，0.0377 ± 0.0004。 目標是生成一張知識驅動的冰體潛在性地圖。這些是作者報告的基準測試結果，並非獨立重現，亦非對水冰的直接測量。
表 4（第 16 頁），採用 50% 訓練資料的 WAC 隕石坑： 對於完全微調的 LFM，邊界框 mAP 為 0.2541 ± 0.0018；對於 SwinV2-B，則為 0.2313 ± 0.0027。 在同一行中，AP@75 分別為 0.2213 ± 0.0028 和 0.1862 ± 0.0041。這些指標絕不可互換。

[S3] 官方模型說明卡，預期用途／適用範圍外／限制事項。
網址：https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
預期用途是透過微調或 LoRA 適應，進行月球遙感以實現偵測、分割及密集回歸。本模型未針對著陸點認證或危險物清除進行驗證。冰層潛力輸出是對知識驅動地圖的回歸結果，而非實際測量的冰層。生成的場是定性探測，而非經校準的科學預測。 本模型未維持絕對大地測量參考框架。其效能尚未在月球以外的環境中進行評估。所列授權為 Apache-2.0。該頁面未報告任何推論提供者的部署。此套件不提供免費 GPU 運算或免費託管推論的承諾，亦未列出硬體最低要求或託管 API 價格。

[S4] 官方 GitHub README，查閱日期：2026 年 9 月 28 日。
網址：https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model
此儲存庫描述了一項微調與推論版本的發布。未包含預訓練程式碼。 權重與配置可從官方 Hugging Face 模型儲存庫下載。該儲存庫提供與 TerraTorch 相容的資料模組、任務、骨幹封裝程式及任務配置。微調與測試需使用相關資料、檢查點及任務配置。README 文件列出採用 Apache 2.0 授權。.

## 1. 簡報

美國國家航空暨太空總署（NASA）與 IBM 於 2026 年 9 月 10 日共同宣布推出「月球基礎模型」（Lunar Foundation Model）。此公開版本在 Hugging Face 上提供權重，並於 GitHub 上提供微調與推論程式碼，主要針對月球隕石坑測繪、火山地貌識別及極地冰層研究等月球遙感任務。 據報導，該模型在冰體探測潛力基準測試中的均方根誤差（RMSE）表現優於經 ImageNet 預訓練的 SwinV2-B，但其目標是生成知識驅動的地圖，而非直接測量月球冰體。該結果由作者基於五個隨機種子報告，並非經獨立驗證的複現結果。 該模型旨在透過完整微調或 LoRA 進行適應性調整，但未針對著陸點認證或危險區域排除進行驗證。預訓練程式碼未提供，且此發布既未承諾提供免費的 GPU 運算資源，亦未提供託管推論服務。[S1][S2][S3][S4]

## 2. 主張核對表

| 主張 | 結論 | 來源 | 說明 |
|---|---|---|---|
| 1 | 成立 | [S1] | NASA 的公告日期為 2026 年 9 月 10 日，並將該模型標示為 NASA–IBM 合作專案。 |
| 2 | 成立 | [S2] | 表 7 報告 SwinV2-B 的 RMSE 值為 0.0377，而完全微調後的月球模型則為 0.0293。 |
| 3 | 未獲支持 | [S2] | 這些數值是針對知識驅動型潛在性地圖的基準誤差，並非真實月球水冰的測量結果。 |
| 4 | 未獲支持 | [S3] | 模型說明卡明確指出，該模型未經驗證，無法用於著陸點認證或危險評估。 |
| 5 | 不支援 | [S4] | GitHub 儲存庫提供微調與推論資源，但不包含預訓練程式碼。 |
| 6 | 不支援 | [S3] | 該套件未承諾提供免費的 GPU 運算或託管推論服務，且未報告任何推論供應商的部署。 |

## 3. 相對 RMSE 降低幅度

\[
\frac{0.0377-0.0293}{0.0377}\times 100 = 22.3\%
\]

這是 **相對於作者報告的基準 RMSE 值減少了 22.3%**；此數值並未衡量實際發現的額外水冰，亦非經獨立驗證的科學表現。[S2]

## 4. 實務上的下一步

1. 在選擇偵測、分割或迴歸任務之前，請先閱讀模型卡上的預期用途、限制事項及 Apache-2.0 授權條款。[S3]
2. 從 Hugging Face 下載官方檢查點和設定檔，然後檢視 GitHub 上的核心封裝程式及任務設定。 [S4]
3. 取得相關的月球資料集，並使用提供的 TerraTorch 相容元件進行微調與測試，同時註明預訓練程式碼不可用，且基準測試結果需經獨立評估。[S2][S4]

有價值的成果在於成功保留了各項區別：基準誤差與已發現的冰層、研究用途與著陸認證，以及已發布的適應性程式碼與缺失的預訓練程式碼。由於這些限制條件原本就存在於原始資料包中，這證明了「讀取與綜合」任務已成功完成，但並不能證明助理能夠獨立發現每一項注意事項。.

若為較大型的專案，, 規劃一場更深入的 AI 輔助研究工作坊 針對資料、方法、評估及限制等各自的疑問進行探討。請將原始資料表放在草稿旁邊，並在編輯完畢後再次核對每個數字。這個習慣比初稿摘要聽起來多流暢更為重要。.

實務上重要的限制

模型說明卡指出，該月球模型尚未通過驗證，無法用於著陸點認證或危險因素排除等作業決策。科學模型雖有助於探索觀測結果，但尚無法用以認證太空船能否在某處安全著陸。此類用途需要不同層級的驗證。.

生成欄位也需謹慎對待。該模型並未維持絕對大地測繪參考系，因此生成的數值可能會與物理數值產生偏差。作者將此生成過程描述為一種定性探測，而非經過校準的科學預測。即使地勢圖或觀測圖看似合理，也不應被視為經測量得出的成果。.

該評估點尚未延伸至月球以外的範圍。即使在月球研究領域內，基準測試的結果也好壞參半：某些任務取得顯著進展，而其他任務則取得相近的成果。可信的經驗教訓是：應根據與您的實驗相符的目標、規模、資料及基準來評估模型。.

常見問題

NASA 與 IBM 合作的「月球基礎模型」可以免費使用嗎？

官方模型說明卡與程式碼儲存庫均標示採用 Apache-2.0 授權，且檢查點已對外公開。進行實驗仍需具備適當的運算資源、資料準備，以及針對特定任務的評估。模型的開放存取並不能保證可免費獲得 GPU 運算資源或託管推論服務。.

美國太空總署（NASA）與 IBM 合作的「月球基礎模型」是一款聊天機器人嗎？

這是一個用於月球遙感的基础模型，旨在處理影像、地形產品及相關觀測資料。研究人員會將其應用於偵測、分割與迴歸等任務。聊天助理可協助解釋文件內容，但與聊天機器人互動的工作流程，與執行此模型的工作流程不同。.

該模型是否在月球上發現了更多水冰？

所報告的結冰結果用以衡量預測與基於知識的結冰潛力圖的吻合程度。 相較於引用的基準，報告中最佳的均方根誤差（RMSE）從 0.0377 降至 0.0293，相對減少約 22%。這是一項基準上的改善；並非衡量額外發現的冰層數量。.

我可以在不寫程式碼的情況下探索這個專案嗎？

您無需建置訓練流程，即可閱讀 NASA 的公告、檢視模型卡、探索已發布的基準測試表格，並造訪官方示範頁面。若要將已發布的檢查點調整應用於科學任務，需使用儲存庫中的程式碼、資料及 TerraTorch 設定，並隨後進行特定任務的驗證。.

月球模型與普里提維（Prithvi）和蘇利耶（Surya）有何關聯？

這些模型隸屬於美國國家航空暨太空總署（NASA）與 IBM 在科學基礎模型領域的廣泛合作計畫。NASA 將用於地球觀測與氣象應用的模型稱為「Prithvi」、用於日球物理學的模型稱為「Surya」，以及用於月球觀測的模型稱為「月球模型」。這些模型的應用領域與預期任務各不相同；其中，月球模型的評估範圍目前僅限於月球本身，尚未延伸至月球以外的區域。.

美國太空總署（NASA）與 IBM 合作的「月球基礎模型」（Lunar Foundation Model）為月球遙感研究提供了可重複使用的起點。請參考官方資料表以了解其優勢，利用模型說明卡釐清其限制，並運用已發布的資源來規劃針對特定任務的實驗。若您當前的目標是學習或撰寫報告，不妨先將這些資料轉化為一份經核對的簡報。.