AREX Feed Article
IBM 与 NASA 开源月球基础模型，同步发布机器学习就绪的多仪器数据集
9 月 10 日，IBM 与 NASA 宣布开源发布 NASA-IBM Lunar Foundation Model（NASA-IBM 月球基础模型）。据 ，两家机构称这是最早面向月球科学探索、公开可用的基础模型之一；模型与配套数据集已上线 Hugging Face，微调代码发布在 GitHub。
据两家机构的发布材料，模型把多仪器、多分辨率的月球观测接入同一套表示，用于识别潜在月球冰沉积、勾画火山特征，并在米级分辨率下探测陨石坑；发布方宣称，识别月球冰的误差较对比模型 SwinV2-B 最多降低 22%。这些性能数字均出自 IBM 与 NASA 的发布材料及随附技术论文。
上线内容：模型、微调代码与四组下游基准
Hugging Face 上的包含预训练骨干（backbone）的权重与配置，以及 9 个模态各自的 tokenizer 检查点（负责把输入数据离散成 token）；模型卡标注的许可为 Apache-2.0。提供两个 Python 包：模型包（骨干、tokenizer 与数据工具）和面向 的集成包；TerraTorch 是一个用于微调地理空间基础模型的开源工具包，这个集成包提供的数据模块、任务封装与可运行配置覆盖 NAC（窄角相机）与 WAC（广角相机）影像的陨石坑检测、不规则月海斑块（IMP）分割、冰前景回归等下游任务。代码库 README 写明采用 Apache 2.0 许可，并注明预训练代码不在发布之列。
数据集方面，在 Hugging Face 上公开了 1 组预训练数据与 4 组下游基准（冰前景回归、IMP 分割、NAC 陨石坑检测、WAC 陨石坑检测）。新闻稿引用的技术论文《Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing》也随模型仓库发布。
一套权重，两种分辨率，11 种模态
模型卡把模型描述为 ViT-B 规模的编码器–解码器，从零开始训练。预训练数据是约 200 万个空间配准的月面 tile（瓦片）组合，覆盖 11 种模态、两种空间尺度：NAC 影像约 1 米/像素、WAC 影像约 100 米/像素，相差 100 倍；其中 963,609 个组合以 WAC 为中心、1,000,113 个以 NAC 为中心。NAC 与 WAC 都来自 NASA 月球勘测轨道器（LRO）上的 LROC 相机系统。
方法上，它改自 TerraMind 的掩码 token 方法；据 IBM Research 的，TerraMind 是 IBM 与欧洲航天局（ESA）合作开发的地球观测模型。针对月球，模型加了两处改动：把光照几何变成输入，每块 tile 的太阳入射角、太阳坐标系锚点和覆盖范围被序列化后直接送进编码器，模型卡的解释是月表外观更多取决于光照条件而非地表本身的变化；混合分辨率联合预训练，NAC 与 WAC 两种 tile 在同一批次循环中按原始分辨率训练，一套权重同时覆盖两个尺度。
模型卡列出的预训练配置为 16 块 H100 GPU、15 万步、全局批大小 1,536，共约 1,100 GPU 小时。下游微调主要走 LoRA（低秩适配）：IBM 的博客称研究者用这类适配器冻结了基础模型 90% 的权重；模型卡给出的经验是，LoRA 在陨石坑检测上达到或超过全量微调、在分割任务上保持竞争力，FlexiViT 的 patch（图像分块）嵌入还允许换用其他分块尺寸微调，无需重训骨干。
冰、陨石坑与火山：三组数字与对照
新闻稿称，在识别月球冰高概率区域时，模型的误差（RMSE，即均方根误差）较 SwinV2-B（ImageNet）最多降低 22%；模型卡的评测表列出 5 次随机种子的平均结果：冰前景基准上表现最好的 NASA-IBM 微调配置 RMSE 为 0.0293，SwinV2-B 为 0.0377。NASA 的总结称，模型在全部评测任务上“达到或超过”多个强基线，在极区冰稳定性估计上优势明显。
陨石坑方面，新闻稿称，模型能在米级分辨率下识别与分类陨石坑，精度与 SwinV2-B 相当，同时更高效、微调成本更低；在约 100 米上下文尺度上，它只用一半的训练数据，表现即较 SwinV2-B 高出近 19%。模型卡的另一处表述是：在 WAC 陨石坑基准上，用 50% 训练数据的预训练版本达到或超过用全部数据训练的 SwinV2-B；而在 NAC 米级陨石坑与 IMP 分割这两项上，与最强基线的差距小于随机种子波动，应视为相当。NASA 举的一个例子是，在爱因斯坦环形山附近的一次撞击前后对比影像中，模型用蓝框标出已探测的陨石坑、用红框标出火箭体撞击新形成的陨石坑；NASA 说明撞击后的影像未参与预训练，这展示了模型经微调识别新地表变化的能力，同时提示轨道间光照差异可能影响较小陨石坑的可见性。
火山方面，模型被用来勾画不规则月海斑块（Irregular Mare Patches）。新闻稿称其范围划定较 SwinV2-B 高出 3%，以更高效率、更低微调成本达到可比精度。与 IBM 共同领导该项目的 NASA 月球地形专家迈克尔·巴克（Michael Barker）说：「这些地貌的年龄仍争议很大，我们能更多理解它们的分布与性质，解开这个谜团的机会就越大。」
数据集：4 次任务、9 台仪器、30 多个空间对齐图层
新闻稿称，与模型一同发布的是“首个此类”开源月球数据集：一个统一、面向机器学习准备的合集，汇总 4 次任务、9 台仪器、30 多个空间对齐图层。NASA 还称，模型的训练数据主要来自 LRO 过去 17 年的观测，此外还使用了 GRAIL、Lunar Prospector 与 JAXA 的 SELENE/Kaguya 的影像与地形数据。
发布方称，此前并不存在把这些多模态、多分辨率数据放进统一框架、适合现代机器学习的公开数据集；NASA 称，这一开放发布确保了研究的可复现性，并让全球科学家能够构建、比较和改进月球 AI 模型。
从 Prithvi、Surya 到月球
NASA-IBM 月球模型由此加入 IBM 的 Prithvi 开源基础模型家族。新闻稿称，该家族此前覆盖地理空间、天气与太阳物理；IBM 博客与 NASA 的发布消息则点名了其中的地球观测模型 Prithvi EO 与太阳物理模型 Surya。按新闻稿的说法，这一系列的目标是让研究者不必为每个科学问题新建一套算法系统，而是从共享模型出发做适配。
NASA 称，月球模型是其首席科学数据官办公室“AI for science”战略的一部分。参与构建的团队包括 NASA 马歇尔航天飞行中心的 Impact AI 团队、科学任务理事会行星科学部、戈达德航天中心与艾姆斯研究中心；学术与机构合作方包括大学空间研究协会（USRA）、SETI 研究所、马里兰大学巴尔的摩县分校与霍华德大学。模型卡注明，该工作由 NASA 奖项 No. 80MSFC25M0084 支持。
NASA 总部的首席科学数据官、代理首席数据与人工智能官凯文·墨菲（Kevin Murphy）说：「NASA 用几十年时间建立了一份关于月球的非凡科学记录，但收集数据只是工作的一部分。我们还必须让数据更容易被科学家探索和使用。」他还说，把 AI 接入 NASA 的 PB（拍字节）级科学数据，能把大规模数据转化为新发现。IBM Research 欧洲（英国与爱尔兰）总监胡安·贝尔纳贝-莫雷诺（Juan Bernabé-Moreno）说：「揭开月球的谜团，需要有能力从体量巨大的科学数据中学习。NASA-IBM 月球基础模型为科学家提供了在尺度上探索月球的基础。它把不同仪器的观测连接起来，显露孤立数据中难以看到的模式，并为全球研究社区提供一个可以继续构建的开放平台。」
发布方划出的边界与尚未完成的消融
在性能介绍之外，模型卡用“适用范围之外”一节给模型划了边界：它不是科研级生成产品，生成的场不是经标定的预测，不能替代仪器、立体摄影测量或大地测量解算；它不维持大地坐标参考框架，能恢复局部结构但恢复不了绝对值，数字高程模型的形状正确却带整体高程偏移，生成的经纬度可能相差数十度；它未经过着陆点认证、危险排除等操作决策的验证；冰前景任务的输出回归的是一张由知识驱动、模糊叠加生成的前景图，而不是实测的冰；模型未在月球之外、也未在 SomBench 之外的数据产品上评估。
限制栏还写明，NAC 预训练受站点限制：只覆盖有 3 米立体数字高程模型配准的 NAC PHO 站点、共 1,095 帧，全球分布但并不密集。模型卡把消融列为第一项待办：把几何 token 化与混合分辨率训练各自的贡献，从月球预训练的整体效果中分离出来的实验，仍有待进行；冰前景任务里那个未经过月球预训练的随机初始化对照组，是目前唯一一处把架构与预训练分开看的实验。