OlmoEarth嵌入发布：从OlmoEarth Studio导出定制嵌入用于下游分析

OlmoEarth Studio推出自定义嵌入向量导出功能，用户现在可以基于开源OlmoEarth基础模型，计算并导出地球观测数据的嵌入向量（embedding vectors），用于相似性搜索、图像分割、无监督探索等下游分析任务。该功能通过Studio界面或API即可操作，支持自定义区域、时间范围、编码器版本、空间分辨率和影像来源，最终输出轻量级的Cloud-Optimized GeoTIFF（COG）文件，方便分享和进一步处理。 嵌入向量本质上是将高维地球观测数据压缩成紧凑的数值表示，地理位置表面特征相似的区域会得到相近的向量，差异大的则相距较远。OlmoEarth团队在官方基准测试和独立评估中均验证了其性能表现。对于需要更高精度的应用场景，Studio还支持监督微调（SFT）。目前自定义嵌入计算已向Studio用户开放，感兴趣的用户可联系获取访问权限，同时团队也公开了模型源码、权重和研究论文，方便社区自行计算嵌入向量并核查生成逻辑。 这一功能的推出，意味着地球观测数据分析的门槛进一步降低。以往处理卫星影像需要大量计算资源和专业知识，现在通过Studio的按需计算模式，用户无需依赖预计算的全球存档，就能针对特定区域和时间段生成嵌入向量，捕捉季节性动态变化，而不仅仅是年度快照。例如，用户可以选择1到12个月的时间跨度，生成月度嵌入向量来追踪地表变化。输出参数也相当灵活：编码器有Nano（128维，140万参数）、Tiny（192维，620万参数）、Base（768维，8900万参数）三种选择，空间分辨率支持10米、20米、40米、80米每像素，影像源可选用Sentinel-2 L2A、Sentinel-1 RTC或两者结合。 对于跨境电商卖家和AI从业者而言，这项技术虽然面向地理空间领域，但其思路值得借鉴——将复杂数据转化为低维向量，再通过相似性检索或聚类来挖掘价值，这种范式在商品推荐、供应链选址、市场分析等场景同样适用。OlmoEarth嵌入向量的实际应用案例包括：相似性搜索（选取一个查询像素，计算其余所有像素的余弦相似度，生成热力图显示景观相似度分布）、变化检测（通过月度嵌入对比识别地表变化）、以及无监督聚类分析。所有向量以int8格式存储，每波段对应一个嵌入维度，值域从-127到+127，-128保留给空值，用户可通过dequantize_embeddings函数恢复浮点向量。由于一切计算均按需进行，而非从预计算存档中调取，生成的嵌入向量能精确反映用户关心的具体条件，这为精细化的地理空间分析提供了新的可能性。