MODELOS
NASA e IBM liberan un modelo fundacional lunar abierto para cartografía de cráteres, rasgos volcánicos y hielo potencial
NASA e IBM han liberado el NASA‑IBM Lunar Foundation Model con pesos abiertos para cartografiar cráteres, estudiar rasgos volcánicos y estimar prospectividad de hielo. Entrenado desde cero con casi dos millones de paquetes de datos de 11 modalidades. Incluye código de ajuste e inferencia (Apache‑2.0) pero no el de preentrenamiento. Resultados preliminares en arXiv, no revisados por pares.
Qué ha ocurrido
NASA e IBM han publicado el NASA‑IBM Lunar Foundation Model (10 de septiembre) para cartografiar cráteres, analizar rasgos volcánicos y estudiar la prospectividad de hielo polar. Se entrenó desde cero con casi dos millones de paquetes geográficos de 11 modalidades (imagen, topografía, radar, mineralogía, gravedad y geometría de iluminación). La científica Rachel Slank alineó los datos y anotó más de 49.000 cráteres. Los pesos están en Hugging Face y el código de ajuste/inferencia en GitHub bajo Apache‑2.0; el preentrenamiento no se ha liberado. En pruebas del propio equipo, el modelo iguala o supera baselines y reporta hasta un 22% menos error en hielo y cerca de un 19% mejor en cráteres regionales usando la mitad de datos.
Qué significa para creadores
Para divulgadores y creadores, es una ocasión para generar visualizaciones y explicaciones con datos lunares reales: los repositorios incluyen configuraciones listas para detección de cráteres, segmentación de parches de mare e inferencia de prospectividad de hielo, útiles para demos, piezas educativas o hilos técnicos. El modelo ya aporta representaciones lunares, lo que reduce etiquetas al adaptarlo a tareas específicas. Importante: trate los resultados como exploratorios; proceden de preprints no revisados, no certifican zonas de aterrizaje ni confirman hielo, las salidas no son predicciones calibradas y la localización puede desviarse decenas de grados. La licencia Apache‑2.0 facilita su uso en proyectos abiertos.
Fuente y contexto
Según RuntimeWire, el conjunto SomBench reúne más de 30 capas co‑registradas de hasta cuatro misiones y el entrenamiento cubre escalas de ~1 m y ~100 m/píxel con un único conjunto de pesos; la geometría de adquisición (ángulos solares y coordenadas) entra explícitamente al modelo. El cómputo rondó 1.100 horas de GPU H100 (según la model card). IBM y NASA publicaron pesos y código descendente, pero no el preentrenamiento, dejando una brecha de reproducibilidad.