并增加了日本“SELENE/Kaguya”轨道器的数据。

其渊源可追溯至阿波罗打算时代，助力重返月球打算 为筹办人类重返月球外貌，揭示出孤立视角下难以发现的规律，“数据才是真正催生AI模型财富的核心要素，。

但在定位冰层沉积物时错误率降低了23%，同时也可作为原质料出产火箭燃料， 区块链文库报道： IBM与NASA联合发布开源月球基础模型， 8月5日，目前。

且所需的微调工作更少，在发现和分类陨石坑方面比SwinV2-B高出19%，主要依赖两种传统方式：一是人工查阅地图和图像，”他增补道：“该模型为科学家提供了探索月球的基础，IBM暗示，IBM的技术论文指出，研究人员无需为差异的地质特征从头构建模型，尽管该月球模型仅使用了减半的训练数据， 打破传统研究瓶颈 恒久以来，其完整代码库也已发布于GitHub，该系列此前已广泛应用于地理空间阐明、气象学和日球物理等领域，成果显示，该月球模型是IBM“Prithvi”系列开源科学模型的又一重要成员。

IBM欧洲、英国和爱尔兰研究院院长Juan Bernabe-Moreno暗示：“新系统为科学家提供了一种大规模阐明月球观测数据的手段，当时，绘制月球极地永久阴影区的地图仍是一项重大挑战，”他强调道，其中包括了NASA“月球勘测轨道飞行器”（LRO）和“重力恢复与内部尝试室”（GRAIL）重力任务的数据，且往往难以捕获科学家在研究中所需的关键细节， 目标：成立可连续的月球存在 最终目标是实现人类在月球的连续驻留， 数据集的价值或逾越模型自己 别的，imToken钱包下载， ，用于识别冰层、陨石坑及火山地形，研究人员现可使用由IBM和NASA联合开发的开源AI模型——NASA-IBM月球基础模型（Lunar Foundation Model），该模型通过了实地测试，成立在一段跨越五十多年的合作伙伴关系之上，从而支持火星任务，但可能储藏着地下冰层沉积物，通过连接差异仪器的观测数据，二是针对每一项特定需求训练专用的窄域、低分辨率机器学习模型，这两种方式不只运行本钱高昂，IBM在公告中指出， 基础模型的发布有效解决了这一难题。

被广泛用于图像阐明的基线评估，模型仍正确将其识别为新形成的陨石坑，因为这些区域是月球上最难观测的处所，该系统已在Hugging Face平台免费开放下载，IBM向模型输入了一张显示SpaceX猎鹰9号火箭撞击月球后留下的撞击点图像，” 性能表示逾越基准 NASA和IBM将该模型与SwinV2-B进行了对比测试，双方还发布了他们所称的第一个统一且适用于机器学习的月球数据集，月球外貌研究一直是一个相对缓慢的过程。

SwinV2-B是由微软训练的视觉系统，使其能够识别出在单独研究数据集时难以察觉的模式，模型性能提升了3%，这约两百万个共注册数据点可能是比模型自己更具长期价值的贡献，这些冰层可为未来的月球基地提供水和氧气，而是可以直接使用预训练模型应对新任务，据NASA科学部分介绍， 此次AI模型的发布， Bernabe-Moreno暗示，imToken官网，尽管新的撞击痕迹几乎直接覆盖在一个现有的陨石坑上。

该模型能够处理惩罚数十年的月球观测数据，在识别被称为“不规则月海斑块”（Irregular Mare Patches）的火山特征时。

该数据集整合了来自四次独立月球任务的九个仪器所收集的30多个空间对齐图层。