月球也有了开源基础模型
缺的不是又一个权重文件，而是一份可共享的 ML-ready 统一数据层。
大家知道，地球观测已经有不少开源基础模型。
月球呢。
长期以来，月球数据并不缺。
缺的是，把它们放进同一张"桌子"上，让机器也能直接用。
2026 年 9 月 10 日，IBM 与 NASA 联合开源了 Lunar Foundation Model（月球科学基础模型）。
它属于 Prithvi 开源基础模型族。
这个家族原本覆盖地球空间、天气、日地物理，现在又加上了月球。
模型可以在 Hugging Face 下载。
The Register 报道称，双方尚未正式公布参数量。
所以本文也不谈参数规模，只谈它真正想解决的问题。
问题不在模型，在数据桌子
研究月球，并不只是"看一张照片"。
一张图里，可能有光学影像。
旁边还有重力场。
再旁边，是另一台仪器在另一分辨率下扫出的地形。
这些数据来自不同任务、不同时期、不同坐标系。
对人类专家来说，可以一张一张对照。
对机器学习来说，这就像把没有对齐的拼图硬塞进同一个网络。
结果往往是：每个课题组各做一套预处理，各训一个专用小模型，彼此很难复用。
Lunar Foundation Model 想做的，首先不是再堆一个更炫的黑箱。
而是先把桌子摆齐。
新闻稿与配套材料强调：他们同时公开了首个此类开源、可直接用于机器学习（ML-ready）的月球数据集。
数据集包含超过 30 层空间对齐的图层。
这些图层来自 4 次任务、9 台仪器。
其中包括 LRO、GRAIL，以及 JAXA 的 SELENE/Kaguya。
总量是数万幅图像与地图。
换句话说，真正稀缺的公共产品，往往不是又一个权重文件。
而是一份大家都能拿去微调、对照、复现的统一数据层。
可以把它想成"月球版底图"
生活里有一个类比。
城市地图如果只有街道，没有等高线、没有地下管网、没有卫星影像叠层，导航还能用，但城市规划就难了。
月球科学也类似。
找潜在冰、认陨石坑、追火山构造，都依赖多源、多分辨率信息叠在一起。
基础模型在这里扮演的角色，更像一张可微调的"科学底图"。
你不必每次从零训练。
你可以在统一表征上，接自己关心的下游任务。
这正是开源基础模型对平民研究者最有价值的地方。
数字怎么读
宣传数字容易被人记成口号。
这里按出处分开写，避免混成一锅。
先看新闻稿总述。
据 IBM / PR Newswire 新闻稿，相对常用方法，该模型在识别关键地理特征（潜在冰、陨石坑、火山相关构造等）上，最高约提升 23%。
这是新闻稿层面的总括数字。
再看技术论文里更细的对照（以下均须理解为论文报告结果，而非全场景保证）。
潜在月冰任务上，模型做多模态、多分辨率预测；相对基于 ImageNet 预训练的 SwinV2-B，识别高潜力区的 RMSE 最多降低约 22%。
不规则海斑（与火山史相关）任务上，在不完美标签条件下，范围刻画优于 SwinV2-B 约 3%，同时微调成本更低。
陨石坑任务上，米级精度与当前 SOTA 可比，但更省；在约 100 米上下文尺度上，即便只用一半训练数据，仍高出 SwinV2-B 近 19%。
这几组数字放在一起，其实说的是同一件事。
不是"万能神模型"。
而是：在统一数据层之上，用可迁移的表征，把有限标注用得更省。
对真实科研预算来说，"省一半数据还更好一点"，往往比再吹一个百分点更重要。
为什么强调开源
闭源遥感大模型并不少见。
但月球探索有一个特殊约束：任务周期长、仪器种类杂、合作方跨国。
如果关键表征锁在某家私有 API 后面，后来的着陆点评估、冰资源制图、地质解释，都会变成重复劳动。
开源把权重和 ML-ready 数据放到同一条公共轨道上。
实验室可以本地微调。
航天机构可以交叉验证。
独立开发者也可以把月球图层接到自己的可视化或仿真工具里。
这与地球侧的 Prithvi 思路一脉相承：把基础能力做成可复用的基础设施，而不是一次性演示。
The Register 提到参数量尚未正式公布。
这反而提醒我们：评估开源科学模型，优先看数据对齐、任务设定、可复现协议，而不是先比参数口号。
它能做什么，不能做什么
能做的，是给月球科学提供一个可下载、可微调的统一起点。
适合潜在冰识别、火山相关构造刻画、陨石坑制图这类地理特征任务。
不能自动变成的，是完整的探月任务规划系统。
着陆安全、热环境、通信遮挡、工程约束，仍然要接专门模型和领域规则。
基础模型解决的是"表征从哪里来"。
工程决策还要回答"在约束下该怎么走"。
两者不要混为一谈。
小结
IBM 与 NASA 这次开源，表面看是一个月球基础模型。
更深一层，是把多任务、多仪器、多分辨率的月球观测，压成一份可共享的科学数据统一层。
模型可以换。
对齐好的公共底图更难换。
如果你关心开源遥感或行星科学工具链，可以从 Hugging Face 上的 Lunar Foundation Model 与配套数据集入手，自己跑一遍下游微调。
（完）
来源：IBM / PR Newswire；The Register。参数量尚未正式公布，本文不编造。