OlmoEarth v1.3 是一个卫星嵌入模型，从一年的 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱卫星时间序列中，为地球上每个 10 米像素生成一个 128 维向量；其中前 64 维也可单独作为更小的嵌入使用。模型由 vision transformer 读取卫星数据，经 Attention Pooler 汇聚成每个地块一个向量，再用线性层压缩为 128 个数。

与 AlphaEarth Foundations（AEF）和 Tessera v2 相比，OlmoEarth v1.3 的 128 维嵌入在 27 项评估中于 20/27 项得分最高，综合排名最高；64 维版本在 18/27 项中领先。评估覆盖六大洲和多种任务，并引入了一个新的热带农业作物类型基准 PLANTEUR。其嵌入对分类器从未见过的地方泛化最好。

模型权重、预训练数据和预训练代码全部开放。训练效率也有明显提升：v1.3 用了 v1.2 的 53% 计算时间、v1 的 18%，碳排放分别为 50% 和 22%。复现预训练约需 2,720 美元租用 H100 时间。同时，其微调性能仍与 v1.2 持平。

本次同时发布了预计算的全球年度嵌入。数据以 10 米分辨率覆盖全球陆地及邻近沿海水域，每年约 150 TB；2025、2024、2023 为全球范围，2017 至 2022 覆盖部分国家。这些嵌入通过 Source Cooperative 免费开放。每个 20 公里图块和年份都配有 provenance 表，列出模型读取的 Sentinel-1、Sentinel-2 和 Landsat 场景，可追溯到公开影像目录。

配套的 OlmoEarth Embeddings Explorer 是一个浏览器内分析工具，无需登录即可使用。它把全球嵌入渲染为假彩色地图，用户可平移、切换年份查看景观变化，并调出底层 Sentinel-2 影像核对。也可以点击某处寻找相似地点，或标记几个点训练一个小分类器并导出 GeoTIFF。对团队而言，第一次尝试只需几秒，而过去用微调可能要几小时，且无需 GPU。

官方给出的实际应用包括：肯尼亚小农作物分类、达卡以西砖窑检测、印尼火灾损害评估、秘鲁亚马逊金矿追踪。秘鲁 Madre de Dios 的例子说明了嵌入的用途：非法金矿在 2017/2018 年达到高峰，清除了 Tambopata 国家保护区缓冲带超过 1,200 公顷森林；2019 年 Operation Mercurio 打击后，比较 2017-2020 与 2020-2025 的像素向量变化，可以看见采矿区向东南扩展以及后续变化。据 MAAP，西北部仍有开采活动，老矿区也在变化；2026 年 8 月美联社报道秘鲁海军巡逻队重返保护区。

对于需要特定时间窗口的用户，OlmoEarth Studio 可在自定义日期、模态和分辨率上运行同一模型，也有教程说明如何在自己的算力上生成嵌入。探索工具和 Studio 可配合使用。所有内容沿用 OlmoEarth Artifact License，与 v1、v1.2 相同。