TerraMind
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA
- Tipo de Organización
- Industry,Government,Government,Government
- País
- United States of America, Germany, Multinational
- Publicado
- 15 April 2025
- Autores
- Johannes Jakubik, Felix Yang, Benedikt Blumenstiel, Erik Scheurer, Rocco Sedona, Stefano Maurogiovanni, Jente Bosmans, Nikolaos Dionelis, Valerio Marsocci, Niklas Kopp, Rahul Ramachandran, Paolo Fraccaro, Thomas Brunschwiler, Gabriele Cavallaro, Juan Bernabe-Moreno, Nicolas Longépé
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Earth science, Vision
- Tarea
- Image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 500,000,000,000 tokens
"The model was pre-trained on 500B tokens from 9M spatiotemporally aligned multimodal samples from the TerraMesh dataset."
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 3.1 × 10²¹ FLOP
- Cómo se estableció
- Hardware
312000000000000 FLOP/GPU/sec * 9216 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 3.10542336e+21 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100
- Chips utilizados
- 32
- Horas de chip
- 9,216
- Tiempo de reloj
- 288 hours (12 days)
- Consumo de energía
- 25.1 kW
"Overall, the training of TerraMindv1-B took 12 days on 32 A100 GPUs, i.e., 9’216 GPU hours"
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Unreleased
- Hugging Face
- ibm-esa-geospatial
Models and code have been open-sourced at https://huggingface.co/ibm-esa-geospatial and https://github.com/ibm/terramind ("This repo presents code examples for fine-tuning TerraMind"). Apache 2.0 https://huggingface.co/ibm-esa-geospatial/TerraMind-1.0-base
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- TerraMind: Large-Scale Generative Multimodality for Earth Observation
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
TerraMind fue publicado por IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA, en el país registrado como United States of America, durante April 2025. La categoría en la que se encuentra el editor es industry,Government,Government,Government.
Funciona en el dominio de Earth science, Vision, y se registra como realizando la tarea de image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado. En Hugging Face está publicado bajo la organización ibm-esa-geospatial.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 3.1 × 10²¹ FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 500,000,000,000 tokens de texto
Respuestas
TerraMind — preguntas comunes
TerraMind— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
TerraMind— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
TerraMind— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
TerraMind— ¿Quién lo creó?
Fue publicado por IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA, basado en United States of America, una organización categorizada como industry,Government,Government,Government.
TerraMind— ¿cuándo fue lanzado?
Se publicó en April 2025.
TerraMind— ¿Para qué se utiliza?
Funciona en el dominio de Earth science, Vision, y se registra como manejando la tarea de image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
TerraMind— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización ibm-esa-geospatial. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
TerraMind— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.1 × 10²¹ FLOP, en hardware registrado como NVIDIA A100. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.