
IBM y la NASA acaban de liberar el NASA-IBM Lunar Foundation Model, un modelo fundacional multimodal y multi-resolución pensado para la teledetección lunar. No es otro LLM más: es uno de los primeros modelos fundacionales públicos dedicados a la exploración científica de la Luna.
Qué trae bajo el capó
El lanzamiento viene con dos piezas clave:
- Los pesos del modelo, publicados en Hugging Face bajo licencia Apache-2.0.
- SomBench, el dataset lunar co-registrado que se usó para entrenarlo.
El código de fine-tuning vive en un repo de GitHub de NASA-IMPACT, y la adaptación para tareas específicas se hace con TerraTorch. La idea es que cualquiera pueda tomar el encoder y ajustarlo con fine-tuning o LoRA para detección, segmentación y regresión densa sobre imágenes de la cámara LROC (Lunar Reconnaissance Orbiter).
Para qué sirve en la práctica
Según el anuncio, los investigadores pueden usar el modelo para varias líneas de estudio lunar:
- Predecir dónde podría haber hielo en regiones permanentemente en sombra, que son difíciles de observar pero podrían tener recursos clave para una futura base en la Luna.
- Mapear Irregular Mare Patches, formaciones volcánicas que ayudan a entender la historia térmica y volcánica del satélite.
- Detectar y clasificar cráteres, lo que revela pistas sobre la edad del terreno y ayuda a la NASA a elegir sitios de aterrizaje seguros, evitando pendientes empinadas y rocas.
Por qué importa
Esto va más allá del nicho espacial: es otro empujón a la tendencia de modelos fundacionales open source para ciencia, donde instituciones grandes están soltando pesos y datasets en lugar de guardarse todo. Para el mundo tech, es un buen caso de estudio de cómo se arma un dataset multi-resolución y se adapta un encoder a tareas de visión especializada.
Si te interesa el lado científico, el modelo está disponible en Hugging Face bajo el namespace nasa-ibm-ai4science.


