Hugging Face が OlmoEarth v1.1: A more efficient family of models をリリース ── 衛星画像解析の計算コストを大幅削減
AIを使って地球規模の課題に立ち向かう動きが、また一歩前進した。Allen AIが手がけるリモートセンシング用モデル「OlmoEarth」の新バージョンが登場している。計算コストを劇的にカットしつつ、前バージョンの性能をキープしたままだ。環境保護に関わるプロジェクトにとって、かなり嬉しいアップデートなんじゃないか。
▸何が変わったのか
2025年11月にリリースされたv1から、効率性が大きく見直された。最大のトピックは、推論時の計算コストが最大「3x（3分の1）」にまで削減されたことだ。それでいて、研究用ベンチマークやパートナーとの実タスクにおける性能はv1当時のままを維持している。計算リソースの壁が下がったことで、より多くの組織が国家規模・大陸規模の解析に着手できるようになった。
◈前モデル / 競合との比較
前バージョンのOlmoEarth v1と比較して、計算コストが最大3分の1に削減された。データのエクスポートから前処理、推論、後処理に至るライフサイクル全体で計算リソースが最大のネックだったなか、同じ予算・時間でより広大な領域をカバーできるようになった点が大きな進歩だ。
◈技術背景と意義
OlmoEarthは、現在の機械学習の主流であるトランスフォーマーベースのアーキテクチャを採用している。衛星画像などのリモートセンシングデータを処理する際、効率を左右する重要なポイントは「モデルサイズ」と「トークンの系列長」だ。特に系列長については、計算コストがその2乗に比例して増えてしまう。そこで今回は、Sentinel-2のような衛星データを解像度ベースのパッチ（resolution-based patches）に分割する手法を採用し、トークン系列をうまく圧縮することで劇的な高速化を実現した。
▸こんな人・用途に
– マングローブの変化をトラッキングするような環境モニタリング
– 森林減少の原因（ドライバー）を分類・特定する分析
– 国全体の作物タイプマップを数日で作成するような農業・食料安全保障
◆入手方法・リンク
モデル一式はHugging Faceのコレクション（https://huggingface.co/collections/allenai/olmoearth）で公開されている。詳細な仕組みは技術レポート（https://allenai.org/papers/olmoearth_v1_1）や、GitHubリポジトリ（https://github.com/allenai/olmoearth_pretrain）を参照してほしい。
SOURCE: Hugging Face (2026-05-19)
