NASA-IBM 月球基础模型：用途、成果及获取方式

NASA-IBM月球基础模型是一个用于分析月球观测数据的开源人工智能模型。. 该技术于2026年9月10日公布，可进行调整以探测陨石坑、勾勒火山地貌轮廓，并预测冰资源潜力图中的分布模式。 据报道，该技术的优势体现在特定的研究基准上：关于冰的最重要的成果是预测误差更低，而非在月球上发现了更多水。.

对于学生和研究人员来说，有用的切入点是 官方人物卡, 、技术报告以及已发布的代码。这些内容共同阐述了模型学习到了什么、评估了哪些任务，以及您需要哪些内容来构建自己的实验。.

如果你首先要做的就是理解这项研究，, GlobalGPT 将资料检索、文献分析、推理和写作整合到一个多模型工作区中。它提供了一种经济实惠的方式，只需一次订阅，即可从陌生的科学术语逐步过渡到清晰的研究简报。.

在 GlobalGPT 上试用 100 多种顶级模型

什么是美国宇航局（NASA）与IBM合作的月球基础模型？

美国宇航局（NASA）的公告 该项目被介绍为月球科学的基础模型，由IBM共同开发。基础模型从海量数据中学习可复用的模式；随后，研究人员将这些模式适应于更具体的任务。在此，所涉及的数据是月球遥感数据，而非日常语言。.

NASA-IBM LFM 采用基于 ViT-B 架构的视觉变换器（Vision Transformer）编码器和解码器。其输入包括不同空间分辨率的图像及其他观测产品。科学家可以调整生成的表示形式，用于检测、分割或回归——这三种方法分别用于识别物体、勾勒区域轮廓以及预测数值。.

这使得该发布对从事月球地图工作的团队以及研究行星机器学习的学生都大有裨益。对于任何希望了解科学人工智能模型如何进行评估的人来说，阅读该项目也颇有价值。不过，使用其检查点属于研究计算工作流，而非聊天对话。.

它是从哪些数据中学习的？

"(《世界人权宣言》) 模型卡 描述了SomBench训练数据：963,609个广角摄像头（WAC）图块束和1,000,113个窄角摄像头（NAC）图块束。 广角相机（WAC）的尺度约为每像素100米；窄角相机（NAC）的尺度约为每像素1米。这使得模型在约200万个数据包中，既能获取更广阔的地形背景信息，又能捕捉到更精细的表面细节。.

IBM 对更广泛的数据资源进行了描述 包括来自四项任务中九种仪器的30多层对齐数据。模型卡中指定了11种输入模态。这些图表描述了数据处理流程的不同阶段：源数据层、打包的训练样本，以及模型所编码的输入类型。.

照明也是设计的一部分。模型会将观察几何信息（包括照明角度）作为显式上下文接收。这有助于区分表面在特定照明条件下的外观与其正在学习的基础地形模式。.

一个代表约100米地形的像素，无法像一个代表约1米的像素那样展现出同样的细节。正因如此，WAC和NAC拍摄的陨石坑观测结果值得分别关注。大尺度图像所获得的改进，并不意味着在微小地表特征上也能获得同等程度的改进。.

该项目遵循TerraMind的预训练方法，但完全基于月球数据从头开始训练。因此，应将其视为专为月球观测构建的模型，而非一个更名后的地球观测检查点模型。关键问题在于，其学到的表征如何有助于特定的月球观测任务。.

它支持的三项任务

已发表的评估涵盖了三个任务类别。每个类别产生的答案类型各不相同，因此“更好”的含义会因任务而异。.

火山口检测和火山地貌分割有助于研究人员整理和分析影像数据。其实用性取决于标签、比例尺和评估区域。即使某个模型在既定的测试集上表现良好，仍需针对新项目的数据和科学问题进行评估。.

冰层勘探前景需要最为谨慎的解读。. 该目标是绘制一张基于科学知识的、显示冰可能存在区域的地图，而非对冰层储量的直接测量。若观测结果与该地图吻合度更高，则有助于对冰层分布模式及潜在区域开展研究。但这并不意味着发现了额外的水资源。.

基准测试结果的含义

"(《世界人权宣言》) 技术报告 提供了基于五个随机初始值的均值和标准差。其结果将调整后的“月球模型”配置与指定的“视觉模型”基线进行了比较。我们核对了已发表的表格；但并未重现“月球”实验。.

这些指标回答了不同的问题。 平均精度（mAP）用于评估目标检测；交并比（IoU）用于衡量预测区域与标注区域之间的重叠程度；均方根误差（RMSE）用于衡量数值预测误差。mAP 和 IoU 值越高越好，而 RMSE 值越低越好。这些指标不应合并为单一的准确率评分。.

22%的冰测结果表明误差有所减少

就冰资源潜力而言，已报告的月球配置中表现最强的那组其均方根误差（RMSE）为0.0293，而SwinV2-B的该数值为0.0377。计算方法如下： (0.0377 − 0.0293) ÷ 0.0377 × 100 = 22.3%. RMSE 用于衡量相对于目标地图的预测误差；数值越低越好。该百分比既不是准确率得分，也不是月球冰量的变化。.

陨石坑的分析结果取决于计量单位和数据尺度

在使用50%份WAC训练数据的情况下，月球模型的mAP为0.2541，而SwinV2-B为0.2313。 该月球模型的结果也超过了基线模型在100%训练数据下的0.2420 mAP。第一组比较使用了等比例的数据样本；第二组则证明了在此特定实验中标签效率的有效性。.

IBM 约 19% 的“陨石坑”提升，可与该报告中基于 50% 训练数据的 AP@75 值相吻合：0.2213 对比 0.1862，相对增幅为 18.9%。 AP@75 是在特定重叠阈值下对检测结果进行的评估。不应将其重新标记为表格中 mAP 指标的 19% 增幅。.

在更精细的NAC尺度上，月球模型的mAP为0.1543，基线模型的mAP为0.1552。 对于“不规则月海斑块”任务，该模型与 ConvNeXtV2-B 相比，报告的前景 IoU 值分别为 0.5709 和 0.5687。作者将这些任务描述为与强劲基线模型相当。这些细微的差异，加上不同运行之间报告的波动，并不支持“月球模型在所有方面都胜出”这一说法。.

在哪里获取以及使用费用是多少

请从以下官方资源开始。模型权重和代码采用 Apache-2.0 许可证，检查点已公开发布。该代码库具体描述了一个 微调与推理版本发布; ；该规则明确排除了预训练代码。.

如果您想对模型进行调整，请在设置实验之前选择下游任务。该代码库提供了与 TerraTorch 兼容的组件和配置，用于连接检查点、任务和数据。TerraTorch 是一个用于组织训练和评估工作流的软件框架。.

1. 请阅读模型说明卡和 README 文件，然后根据研究问题选择检测、分割或回归。.
2. 获取相应的数据和官方检查点，并检查仓库的任务配置和环境说明。.
3. 准备该配置所需的数据，并运行相应的微调或推理工作流。.
4. 根据适当的基准进行评估，并保留数据划分、设置和输出结果，以便核对结果。.

开放访问虽然省去了初期购买模型许可的步骤，但运行实验仍需成本。您需要计算资源、存储空间、数据准备以及用于评估的时间。发布的检查点并不自动附带托管 API 或免费的 GPU 时间，且源代码并未为每个下游任务设定通用的最低 GPU 配置要求。.

利用人工智能理解研究

一个有建设性的第一个问题应当切中要点：“报道中提到的22%改进实际上衡量的是什么？”要回答这个问题，需要明确目标、指标、基准和计算方法。询问这四点，比问助理“这个模型是否令人印象深刻”更有意义。.

GlobalGPT 让您能够将阅读工作贯穿于资料检索、文档解读和写作的各个环节，而无需在每个步骤之间在不同的工具之间来回切换。若要建立一种可重复的方法，, 编写一份来源经核查的研究简报 在请求一份经过润色的摘要之前，请先提供一份简短的参考文献列表和明确的问题。.

我们使用GPT-5.6 Sol对该工作流的一个精简版本进行了测试。该系统接收了从四个官方来源提炼出的信息包，并需据此生成一份简短简报、对六项主张进行分类、计算均方根误差（RMSE）的降低幅度，并提出切实可行的后续措施。该任务仅使用提供的文本，并未主动检索新证据。.

系统
你是一位为大学生撰写文章的严谨的研究编辑。请仅使用提供的资料包，不要自行搜索。请区分报道中的基准测试数据与实际的科学测量数据。在方括号中注明来源ID。如果某项说法缺乏依据，请明确指出。 切勿捏造引用、价格、硬件要求或实验结果。请提供要求的答案，而非隐藏的推理过程。

用户
将资料包转化为一份实用的研究简报。提交内容包括：(1) 一份100–130词的通俗易懂的简报；(2) 一张六行“主张核查表”，针对每项给定主张，仅使用“有依据”或“无依据”作为标注，并注明来源ID及一句说明； (3) 根据 0.0377 至 0.0293 计算得出的相对均方根误差 (RMSE) 降低幅度，四舍五入至小数点后一位，并附上计算公式及一句说明其未测量的内容；(4) 针对希望检查或改编该公开模型的学生，提出三项切实可行的后续步骤。 整个回答的字数应控制在500字以内。

待核查的论点：
1. 美国宇航局（NASA）和IBM于2026年9月10日公开宣布了该模型。
2. 据报道，冰资源预测的均方根误差（RMSE）从 SwinV2-B 模型的 0.0377 降至完全微调后的月球模型的 0.0293。
3. 该模型在月球上发现了22%更多的真实水冰。
4. NASA已针对着陆点认证和风险评估对该模型进行了验证。
5. GitHub发布包中包含了预训练代码。
6. 公开的检查点确保了GPU计算和托管推理服务免费。

来源包：
[S1] NASA公告，2026年9月10日。
标题：NASA与IBM联合推出月球科学AI基础模型。
网址：https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/
NASA宣布与IBM联合开发了一款月球科学基础模型。该模型已公开托管在Hugging Face上，代码发布在GitHub。它可应用于陨石坑测绘、火山地貌识别及极地冰层研究。

[S2] NASA-IBM官方模型卡片及技术报告，2026年9月28日核查。
模型卡片网址：https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
技术报告网址：https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model/blob/main/NI_LFM_Technical_Report.pdf
该报告的表7（第18页）给出了冰层可探性回归的测试集均方根误差（RMSE）。数值越低越好。 基于五个随机初始值的均值及标准差：经过全面微调的NASA-IBM LFM模型，0.0293 ± 0.0013；ImageNet预训练的SwinV2-B模型，0.0377 ± 0.0004。 目标是生成一张基于知识的冰体潜力图。这些是作者报告的基准测试结果，并非独立复现结果，也不是对水冰的直接测量。
表 4（第 16 页），使用 50% 训练数据的 WAC 陨石坑： 对于完全微调的LFM，边界框mAP为0.2541 ± 0.0018；对于SwinV2-B，则为0.2313 ± 0.0027。 在同一行中，AP@75 值分别为 0.2213 ± 0.0028 和 0.1862 ± 0.0041。这些指标绝不能互换。

[S3] 官方模型卡片，预期用途 / 适用范围外 / 限制条件。
URL：https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
预期用途是通过微调或 LoRA 适配，将该模型用于月球遥感中的检测、分割和密集回归任务。该模型未经过着陆点认证或危险区域清除的验证。冰层勘探输出结果是对知识驱动地图的回归结果，而非实际测量的冰层数据。生成的场数据属于定性探测，而非经过校准的科学预测。 该模型未采用绝对大地测量参考框架。其性能尚未在月球以外的环境中进行评估。所列许可协议为 Apache-2.0。该页面未报告任何推理提供商的部署情况。本软件包不承诺提供免费的 GPU 计算或免费的托管推理服务，亦未说明硬件最低配置要求或托管 API 的价格。

[S4] 官方 GitHub README，查阅于 2026 年 9 月 28 日。
URL：https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model
该代码库描述了一个微调和推理版本。不包含预训练代码。 权重和配置可从官方 Hugging Face 模型仓库下载。提供了与 TerraTorch 兼容的数据模块、任务、骨干网络封装器及任务配置。微调和测试需要相关数据、检查点和任务配置。README 文件中列出了 Apache 2.0 许可证。.

## 1. 简报

美国宇航局（NASA）与IBM于2026年9月10日联合发布了“月球基础模型”（Lunar Foundation Model）。该模型的公开版本在Hugging Face上提供了权重，并在GitHub上提供了微调和推理代码，主要面向月球遥感任务，例如陨石坑测绘、火山特征识别以及极地冰层研究。 据报道，该模型在冰体勘探基准测试中，其均方根误差（RMSE）优于在ImageNet上预训练的SwinV2-B模型，但其目标是生成知识驱动的地图，而非直接测量月球冰体。该结果由作者基于五个随机种子报告，并非独立验证。 该模型旨在通过完全微调或 LoRA 进行适配，但未经过着陆点认证或危险清除方面的验证。预训练代码缺失，且该发布既未承诺提供免费的 GPU 计算资源，也未提供托管推理服务。[S1][S2][S3][S4]

## 2. 主张核查表

| 主张 | 结论 | 来源 | 说明 |
|---|---|---|---|
| 1 | 成立 | [S1] | NASA的公告日期为2026年9月10日，并明确指出该模型是NASA与IBM的合作项目。 |
| 2 | 成立 | [S2] | 表7显示，SwinV2-B的RMSE值为0.0377，完全微调后的月球模型的RMSE值为0.0293。 |
| 3 | 不支持 | [S2] | 这些数值是基于知识驱动的潜在水冰分布图的基准误差，而非对真实月球水冰的测量结果。 |
| 4 | 不支持 | [S3] | 模型说明卡明确指出，该模型未经验证，无法用于着陆点认证或危险评估。 |
| 5 | 不支持 | [S4] | GitHub 代码库提供了微调和推理资源，但未包含预训练代码。 |
| 6 | 不支持 | [S3] | 该方案未承诺提供免费的 GPU 计算或托管推理服务，且未报告任何推理提供商的部署情况。 |

## 3. 相对均方根误差（RMSE）降低幅度

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

这是**相对于作者报告的基准 RMSE 的 22.3% 相对降幅**；该指标并未衡量新发现的实际水冰量，也未体现经过独立验证的科学性能。[S2]

## 4. 实际后续步骤

1. 在选择检测、分割或回归任务之前，请阅读模型卡片的预期用途、限制及 Apache-2.0 许可协议。[S3]
2. 从 Hugging Face 下载官方检查点和配置，然后检查 GitHub 上的骨干网络封装和任务配置。 [S4]
3. 获取相关的月球数据集，并使用提供的与 TerraTorch 兼容的组件进行微调和测试，同时需说明：预训练代码不可用，基准测试结果需要独立评估。[S2][S4]

有价值的成果在于保留了这些区别：基准误差与发现的冰层、研究用途与着陆认证、以及已发布的适应性代码与缺失的预训练代码。由于这些限制条件原本就存在于源数据包中，这证明了“读取与综合”任务的成功，但并不能证明助手能够独立发现所有注意事项。.

对于规模较大的项目，, 策划一场更深入的、由人工智能辅助的研究活动 围绕数据、方法、评估和局限性等各个方面的问题进行分析。将原始数据表放在草稿旁边，编辑完成后再次核对每个数字。这个习惯比初稿听起来多么流畅更为重要。.

实践中具有实际意义的限制

模型说明卡指出，该月球模型尚未通过验证，无法用于着陆点认证或危险因素排除等运营决策。科学模型虽有助于探索观测结果，但尚无法证明航天器能够安全地在某处着陆。此类用途需要不同层级的验证。.

生成的字段也需谨慎对待。该模型并未采用绝对大地测量参考系，因此生成的值可能会与物理值产生偏差。作者将生成结果描述为一种定性探测手段，而非经过校准的科学预测。即使地形图或观测图看起来合乎情理，也不应将其视为经测量的产品。.

该检查点尚未在月球以外的场景中进行评估。即使在月球研究领域内，其基准测试结果也喜忧参半：某些任务取得了明显进展，而其他任务则取得了相当的结果。可以得出的合理结论是：应根据与自身实验相匹配的目标、规模、数据和基线来评估模型。.

常见问题

NASA-IBM月球基础模型可以免费使用吗？

官方模型卡片和代码仓库均注明采用 Apache-2.0 许可证，且检查点已公开发布。但要进行实验，仍需具备合适的计算资源、数据准备以及针对具体任务的评估。模型的开放访问并不保证可免费获得 GPU 计算资源或托管推理服务。.

美国宇航局与IBM合作的“月球基础模型”是一个聊天机器人吗？

这是一个用于月球遥感的基础模型，旨在处理图像、地形产品及相关观测数据。研究人员将其应用于检测、分割和回归任务。聊天助手可协助解释文档内容，但与聊天机器人交互的工作流程与运行该模型不同。.

该模型是否在月球上发现了更多的水冰？

所报告的冰层结果衡量了预测结果与基于知识的冰层潜力图的吻合程度。 与引用的基准相比，报告中最佳的均方根误差（RMSE）从0.0377降至0.0293，相对降幅约为22%。这是一项基准改进；它并非对新增冰层发现量的衡量。.

我可以在不编写代码的情况下探索这个项目吗？

您无需构建训练管道，即可阅读美国宇航局（NASA）的公告、查看模型卡、查阅已发布的基准测试表，并访问官方演示页面。要将发布的检查点适配到科学任务中，需使用代码库中的代码、数据和 TerraTorch 配置，随后进行针对该任务的验证。.

月球模型与普里特维和苏尔亚有什么关系？

它们属于美国宇航局（NASA）与IBM在科学基础模型领域更广泛的合作项目。美国宇航局将“Prithvi”模型用于地球观测和气象应用，“Surya”模型用于日球物理学，而月球模型则用于月球观测。这些模型的应用领域和预期任务各不相同；月球模型的评估范围目前仅限于月球。.

美国宇航局（NASA）与IBM联合开发的月球基础模型为月球遥感研究提供了一个可重复使用的起点。请参考官方数据表了解该模型的优势，利用模型说明卡明确其局限性，并借助已发布的资源规划针对特定任务的实验。如果您的当务之急是学习或撰写报告，不妨先将这些资料整理成一份经过核查的简报。.