TerraMind
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA
- Organisatietype
- Industry,Government,Government,Government
- Land
- United States of America, Germany, Multinational
- Gepubliceerd
- 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
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Earth science, Vision
- Taak
- Image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- 500,000,000,000 tokens
"The model was pre-trained on 500B tokens from 9M spatiotemporally aligned multimodal samples from the TerraMesh dataset."
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 3.1 × 10²¹ FLOP
- Hoe het werd opgericht
- Hardware
312000000000000 FLOP/GPU/sec * 9216 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 3.10542336e+21 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A100
- Gebruikte chips
- 32
- Chip-uren
- 9,216
- Kloktijd
- 288 hours (12 days)
- Stroomverbruik
- 25.1 kW
"Overall, the training of TerraMindv1-B took 12 days on 32 A100 GPUs, i.e., 9’216 GPU hours"
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Open — downloadable
- Toegang tot model
- Open weights (unrestricted)
- Training code
- 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
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- TerraMind: Large-Scale Generative Multimodality for Earth Observation
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
TerraMind werd gepubliceerd door IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA, in het land geregistreerd als United States of America, tijdens April 2025. De categorie waaronder de uitgever valt is industry,Government,Government,Government.
Het werkt in het domein van Earth science, Vision, en wordt geregistreerd als het uitvoeren van de taak van image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis.
Omdat de gewichten zijn vrijgegeven, hangt niets over het uitvoeren ervan af van een leverancier die beschikbaar blijft — het is van jou zodra het is gedownload. Op Hugging Face is het gepubliceerd onder de organisatie ibm-esa-geospatial.
Training en herkomst
De training run verbruikte ongeveer 3.1 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA A100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 500,000,000,000 tekstokens
Antwoorden
TerraMind — veelgestelde vragen
TerraMind— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
TerraMind— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
TerraMind— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
TerraMind— wie heeft het gemaakt?
Het werd gepubliceerd door IBM,Forschungszentrum Julich,European Space Agency (ESA),NASA, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Government,Government,Government.
TerraMind— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2025.
TerraMind— waarvoor wordt het gebruikt?
Het werkt in het domein van Earth science, Vision, en wordt geregistreerd als het afhandelen van image captioning, Flood Mapping, Crop Mapping / Segmentation, Wildfire Mapping, Cloud monitoring / analysis. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
TerraMind— waar kan ik het downloaden?
Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie ibm-esa-geospatial. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.
TerraMind— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.1 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA A100. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.