美国宇航局（NASA）与 IBM Research 联合多家学术机构发布了 NASA-IBM 月球基础模型（Lunar Foundation Model），并同步开源模型、训练数据集与基准测试集。两家机构称，这是最早的月球科学开源基础模型之一。最能说明问题的数字来自极区冰层预测：与最强基线 SwinV2-B 相比，模型把误差最多降低了 22%。
支撑这一结果的是团队自建的 SomBench 语料------按他们的说法，这是目前规模最大的同配准多模态月球语料库，包含近 200 万个瓦片包（tile bundle），覆盖 11 种模态、两个空间尺度。其中约 100 万张高分辨率影像来自窄角相机（NAC），分辨率约 1 米/像素；另有略低于 964,000 张多光谱影像来自广角相机（WAC），分辨率 100 米/像素。
数据主体是月球勘测轨道器（LRO）17 年的观测。NASA 表示，LRO 的数据量超过其他所有 NASA 行星任务的总和。此外还纳入 GRAIL 任务的重力场数据、Lunar Prospector 的氢元素数据，以及日本 JAXA 辉夜号（Kaguya/SELENE）的矿物学数据。合计起来，语料库整合了来自 4 个任务、9 台仪器的 30 多个空间对齐数据层。为避免训练集、验证集、测试集之间的信息泄漏，团队按地图分区做地理切分，而不是随机拆散瓦片。
模型以地球观测多模态模型 TerraMind 为底座，但并非微调，而是从零训练。每个瓦片都会把成像几何作为显式上下文输入，包括光照角度、太阳位置和瓦片范围。月球表面在图像里的样子，受光照几何的影响远大于表面本身的性质，团队干脆把这项信息直接喂给模型，而不是让它从原始像素里自己纠正。训练同时使用高分辨率与低分辨率影像，兼顾细节与大范围上下文；FlexiViT 技术让同一个训练好的模型能适配不同图像块尺寸，无需重训。
除冰层预测外，团队还测试了 100 米和 1 米尺度的撞击坑识别，以及不规则月海斑块（IMP，一种年轻火山特征，对既有月球冷却时间线构成挑战）的分割。技术报告称，预训练模型在所有任务上都不低于常见基线，也不低于结构完全相同、但随机初始化的对照模型。粗尺度撞击坑检测上，模型比 SwinV2-B 高近 19%，而这只是在用一半数据训练的情况下取得的，说明它需要的有标注样本更少。
不过，1 米尺度撞击坑与 IMP 分割上，模型与最强基线基本打平，差异落在多次训练运行的方差范围内；IBM 声称在 IMP 上领先 SwinV2-B 3%，但结果更像"相当"而非"更好"。值得一提的是，随机初始化的对照模型在冰层预测上就已击败 7 个基线中的 5 个------研究者认为，部分优势来自模型处理异构数据的方式：它为每个数据层分配独立的处理路径，而基线模型把所有输入当成堆叠的通道。此外，只训练一小部分参数的轻量微调方法 LoRA 在各项任务上与全量微调持平，在撞击坑检测上还更好；全量微调只在两个最小的任务上占优。
模型并非万能。研究显示，它不适合做绝对大地定位：在生成测试中，经纬度有时会偏出几十度，高程结构的形状能重建正确，但绝对高度值会出现偏移。作者把它定位为可复用的下游任务底座，而非物理测量仪器的替代品；隔离各项创新贡献的对照实验尚待完成，部分测试数据集规模也偏小。
目前模型已在 Hugging Face 公开，代码托管于 GitHub，并集成进开源工具包 TerraTorch，团队同时释出了可直接用于机器学习的预训练数据集和基准集合。这是 NASA-IBM "AI for Science" 合作的一部分，双方自 2022 年初起依据《太空法案协议》共同开发基础模型：2023 年 8 月，首个 Prithvi 模型上线 Hugging Face，用覆盖美国本土的 Landsat 与 Sentinel-2 影像训练，可适配洪水与野火测绘，IBM 当时将其作为 Watsonx 平台的一部分发布；月球模型的底座 TerraMind，则是 IBM 于 2025 年与欧洲空间局及于利希研究中心合作、面向地球观测开发的。
把这两条线放在一起看，意义更清楚：LRO 自 2009 年发射以来持续观测，积累的正是"数据极多、标签极少"的典型场景，而这恰恰是基础模型最擅长的领域。永久阴影极区常年保持在足以让水冰保存数十亿年的低温，被视作水、氧气和火箭燃料的潜在资源------冰层预测精度每提高一点，都可能影响未来任务在哪里落点、到哪里取水。