TerraMind
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA
- Type d'organisation
- Industry,Government,Government,Government
- Pays
- United States of America, Germany, Multinational
- Publié
- 15 April 2025
- Auteurs
- 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
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Earth science, Vision
- Tâche
- Image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- 500,000,000,000 tokens
"The model was pre-trained on 500B tokens from 9M spatiotemporally aligned multimodal samples from the TerraMesh dataset."
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 3.1 × 10²¹ FLOP
- Comment cela a été établi
- Hardware
312000000000000 FLOP/GPU/sec * 9216 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 3.10542336e+21 FLOP
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA A100
- Chips utilisés
- 32
- Heures de puce
- 9,216
- Temps en temps réel
- 288 hours (12 days)
- Consommation d'énergie
- 25.1 kW
"Overall, the training of TerraMindv1-B took 12 days on 32 A100 GPUs, i.e., 9’216 GPU hours"
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (unrestricted)
- Code d'entraînement
- 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
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- TerraMind: Large-Scale Generative Multimodality for Earth Observation
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
TerraMind a été publié par IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA, dans le pays enregistré comme United States of America, durant April 2025. La catégorie à laquelle appartient l'éditeur est industry,Government,Government,Government.
Il fonctionne dans le domaine de Earth science, Vision, et est enregistré comme exécutant la tâche de image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis.
Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé. Sur Hugging Face, il est publié sous l'organisation ibm-esa-geospatial.
Entraînement et provenance
L'entraînement a consommé environ 3.1 × 10²¹ FLOP, sur matériel enregistré comme NVIDIA A100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 500,000,000,000 jetons de texte
Réponses
TerraMind — questions courantes
TerraMind— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
TerraMind— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
TerraMind— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
TerraMind— qui l'a créé ?
Il a été publié par IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA, basé sur United States of America, une organisation catégorisée comme industry,Government,Government,Government.
TerraMind— quand a-t-il été publié ?
Il a été publié dans April 2025.
TerraMind— à quoi ça sert ?
Il fonctionne dans le domaine de Earth science, Vision, et est enregistré comme gérant la tâche de image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
TerraMind— où puis-je le télécharger ?
Ses poids sont publiés sur Hugging Face, sous l'organisation ibm-esa-geospatial. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.
TerraMind— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.1 × 10²¹ FLOP, sur matériel enregistré comme NVIDIA A100. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.