NASA-IBM Lunar Foundation Model

产品简介

NASA-IBM Lunar Foundation Model（简称 NASA-IBM LFM 或月球基础大模型）是由美国宇航局（NASA）与 IBM 研究院于 2026 年 9 月 10 日联合发布并开源的多模态月球遥感基础大模型。该模型托管于 Hugging Face 平台，代码开源于 GitHub，采用 Apache-2.0 许可证，任何人都可以免费下载、微调和商用。

这是全球首个公开发布的、专门面向月球科学探索的开放基础大模型，旨在帮助科研人员更高效地分析过去 50 年积累的 PB 级月球探测数据，推动 NASA Artemis 重返月球计划的相关研究。

核心功能

月球表面要素识别：LFM 可以识别月球表面的三类关键要素——陨石坑（Crater）、火山特征（Irregular Mare Patches）以及极地水冰富集区（Polar Ice Deposits），精度比现有基线方法最高提升 23%。这一能力对于选择未来载人登月着陆点具有直接参考价值。

多分辨率联合训练：模型采用 NAC（窄角相机，1 米/像素）和 WAC（广角相机，100 米/像素）两种分辨率的月球影像联合训练，单一组权重可同时处理从特写到全月范围的空间尺度，跨越约 100 倍的分辨率差距。

11 维模态感知：LFM 的输入融合了 9 种密集图像类模态（可见光、紫外、多光谱、地形、坡度、坡向等）以及光学元数据（太阳入射角、发射角、相位角等）和静态地图上下文（Diviner 热物理数据、LOLA 粗糙度、Mini-RF 雷达数据等），共 11 个模态维度，全面刻画月球表面特性。

灵活的微调策略：模型支持 LoRA 高效微调（全参数微调的默认推荐方案，rank=16）、全参数微调和冻结编码器三种适配策略。LoRA 在陨石坑检测任务上与全参数微调性能持平，但只更新少量参数；配套的 TerraTorch 框架让下游任务微调只需配置 YAML 文件即可。

多模态生成与探针：除下游任务微调外，模型还支持任意模态到任意模态的跨模态生成，可用于定性探测不同观测维度之间的相关性，例如用可见光图像生成对应地形图或冰 Prospectivity 分布图。

特色优势

首个面向月球的开源基础模型：LFM 是全球首个公开发布的、专门针对月球遥感设计的基础大模型，填补了月球科学 AI 工具链的空白。在此之前，科学家通常依赖手工分析或低分辨率、任务专用的机器学习模型，效率低且精度有限。

PB 级数据支撑：模型训练数据来自 NASA 月球侦察轨道器（LRO）17 年积累的超过 100 万张高分辨率影像（约 200 万个图像瓦片），以及来自 9 种仪器、4 次月球任务的 30 余个空间配准数据层，数据规模和专业程度均属顶尖。

零门槛获取：模型、配套数据集（SomBench）以及微调代码全部在 Hugging Face 和 GitHub 上免费公开，发展中国家科研机构也能无障碍获取并部署使用，降低了月球科学 AI 研究的准入门槛。

计算效率友好：LFM 基于 ViT-B（768 维、12 层）架构设计，在消费级 H100 集群上约需 1100 GPU 小时完成预训练，相比通用大模型的大规模训练成本更为亲民；同时 LoRA 微调策略使下游任务只需极少的标注数据即可达到可用精度。

跨机构协作背书：该模型由 NASA 与 IBM 研究院联合推出，两家机构在太空探索和人工智能领域均有超过半个世纪的积累，技术可靠性和科学严谨性有充分保障。

应用场景

Artemis 任务选址：NASA 正在推进 2026 年前后的 Artemis 载人重返月球计划，LFM 可帮助分析极地永久阴影区水冰稳定性、识别陨石坑和陡坡等危险地形，为着陆点筛选提供科学依据。

月球地质研究：行星地质学家可利用 LFM 识别和分析月球火山特征（Irregular Mare Patches），推进对月球热演化和岩浆活动历史的理解，弥补当前月球地质年代模型的不足。

冰水资源评估：极地水冰是未来月球基地的关键资源（水、氧气、火箭燃料原材料），LFM 在冰 Prospectivity 预测上相比基线方法错误率降低约 23%，可直接服务于月球资源勘查。

科学教育与公众科学：开源模型降低了高校和科普机构参与月球数据分析的门槛，学生和研究人员可以在无需大型计算资源的情况下开展月球遥感相关的课程实验和科研项目。

其他天体研究方法论：LFM 的多模态、多分辨率、模态无关的预训练框架若被证明有效，可迁移至火星、金星等天体遥感数据的分析中，形成一套通用的行星科学 AI 方法论。

适用人群

行星科学研究者、遥感算法工程师、天文爱好者、高校地球与行星科学专业师生、NASA 及各国航天机构的任务规划团队，以及对月球数据分析和可视化感兴趣的数据科学从业者。

出品方

NASA（美国宇航局）是美国联邦政府负责民用航天计划的官方机构；IBM 研究院是 IBM 公司的核心研发部门，与 NASA 合作超过半个世纪。模型训练主要基于 TerraMind 框架的掩码 Token 预训练方案，由 IBM 研究院主导实现。

更新动态

2026 年 9 月 10 日（美国东部时间），NASA 与 IBM 联合在 Hugging Face 平台正式发布模型权重、配套数据集 SomBench（含超过 200 万个像素级配准的月球瓦片数据）以及完整预训练技术报告，并同步公开 GitHub 微调代码仓库。

官网链接

Hugging Face 模型页：https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model GitHub 代码仓库：https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model