TerraMind
Nincs becslés
Nincs hardver követelmény ennek a modellnek
Ez a modell súlyai nyilvánosak, de a paraméterszámokat nem tették közzé. Minden memória- és sebességszám ebből a számból indul, ezért inkább nem mutatunk semmit, mint egy hamisított becslést..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA
- Szervezet típusa
- Industry,Government,Government,Government
- Ország
- United States of America, Germany, Multinational
- Közölt
- 15 April 2025
- Szerzők
- 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
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Earth science, Vision
- Feladat
- Image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- 500,000,000,000 tokens
"The model was pre-trained on 500B tokens from 9M spatiotemporally aligned multimodal samples from the TerraMesh dataset."
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 3.1 × 10²¹ FLOP
- Hogyan jött létre
- Hardware
312000000000000 FLOP/GPU/sec * 9216 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 3.10542336e+21 FLOP
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A100
- Használt chipek
- 32
- Chip-óra
- 9,216
- Fali óra idő
- 288 hours (12 days)
- Teljesítményfogyasztás
- 25.1 kW
"Overall, the training of TerraMindv1-B took 12 days on 32 A100 GPUs, i.e., 9’216 GPU hours"
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Open — downloadable
- Modell hozzáférés
- Open weights (unrestricted)
- Képzés kód
- 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
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- TerraMind: Large-Scale Generative Multimodality for Earth Observation
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
TerraMind ki lett adva által IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA, az országban rögzítve mint United States of America, alatt April 2025. A kiadó kategóriája alá tartozik industry,Government,Government,Government.
Működik a területen a Earth science, Vision, és úgy van rögzítve, mint a feladat végrehajtása image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis.
Mivel a súlyai ki lettek adva, semmi sem függ attól, hogy egy szolgáltató elérhető marad-e - a tiéd, amint letöltötted. A Hugging Face-en az alábbi szervezet alatt van publikálva ibm-esa-geospatial.
Képzés és származás
A képzés futás körülbelül 3.1 × 10²¹ FLOP, hardveren rögzítve NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 500,000,000,000 szöveg tokenjei
Válaszok
TerraMind — gyakori kérdések
TerraMind— Milyen GPU-ra van szükségem, hogy futtathassam?
Nem tudjuk megmondani. Nyílt súlyai vannak, de a paraméterek számát nem tették közzé, és minden memória- és sebességszámítás ebből a számból indul. Inkább nem mutatunk semmit, mint egy hamisított becslést.
TerraMind— Nyílt forráskódú?
Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.
TerraMind— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
TerraMind— Ki készítette ezt?
Kiadta IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Government,Government,Government.
TerraMind— Mikor adták ki?
Kibocsátották a April 2025.
TerraMind— Mire használják?
Működik a területen a Earth science, Vision, és rögzítve van, hogy kezeli a feladatot image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
TerraMind— Hol tudom letölteni?
Súlyait a Hugging Face-en tette közzé, a szervezet alatt ibm-esa-geospatial. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.
TerraMind— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.1 × 10²¹ FLOP, hardveren rögzítve NVIDIA A100. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..