Le modèle de fondation lunaire NASA-IBM surpasse une référence de détection de cratères avec deux fois moins d’annotations

La NASA et IBM ont publié le NASA-IBM Lunar Foundation Model après avoir signalé une amélioration de près de 19 % de la détection de cratères avec deux fois moins de données d’entraînement annotées. Ce résultat concerne un benchmark précis, à une résolution d’environ 100 mètres par pixel, et non toutes les tâches de cartographie des cratères. Cette distinction est importante, car la valeur plus large du modèle dépend de la capacité des chercheurs à adapter une même infrastructure de données lunaires à plusieurs problèmes scientifiques.

Le modèle combine des observations recueillies à différentes résolutions, sous divers angles de vue et longueurs d’onde. Les chercheurs peuvent l’affiner pour la détection de cratères, l’évaluation du potentiel de présence de glace aux pôles et la cartographie de formations volcaniques inhabituelles. La NASA et IBM ont également publié les poids du modèle, des jeux de données en aval et le code permettant de tester le système.

Il ne s’agit pas seulement d’une nouvelle démonstration de reconnaissance d’images. Les sciences lunaires ont accumulé de vastes ensembles de données provenant d’instruments qui mesurent différentes propriétés physiques à des échelles radicalement différentes. Les scientifiques construisent généralement des pipelines spécialisés pour chaque tâche, tandis que le nouveau modèle offre un point de départ réutilisable entraîné sur des observations lunaires.

C’est là que se situe le test central. Un modèle de fondation propre à un domaine devrait réduire les besoins en annotations, en puissance de calcul et en ingénierie pour de nouvelles études. Il doit néanmoins produire des résultats scientifiquement fiables dans des lieux inconnus, avec différentes conditions d’éclairage, divers instruments et de nouvelles questions de recherche.

Le NASA-IBM Lunar Foundation Model transforme les archives lunaires en infrastructure réutilisable

Le changement immédiat est que les chercheurs en sciences lunaires disposent désormais d’un modèle préentraîné ouvert, au lieu de démarrer chaque projet de cartographie avec un système de vision généraliste.

La NASA a annoncé le modèle le 10 septembre 2026, dans le cadre de sa collaboration continue avec IBM Research sur l’IA au service de la science. L’agence le présente comme l’un des premiers modèles de fondation open source conçus spécifiquement pour les sciences lunaires.

Un modèle de fondation est entraîné sur un vaste jeu de données avant d’être adapté à des tâches plus ciblées. Dans ce cas, le préentraînement apprend au système des motifs récurrents dans le terrain lunaire et les mesures des capteurs. Les chercheurs peuvent ensuite ajouter des jeux de données plus restreints et spécifiques à la tâche pour détecter les cratères, analyser la glace ou cartographier les formations volcaniques.

Le modèle a été entraîné principalement sur les observations de la Lunar Reconnaissance Orbiter, ou LRO, de la NASA. Selon la NASA, le vaisseau spatial a recueilli davantage de données que toutes ses autres missions planétaires réunies au cours de 17 ans d’opérations.

Selon la publication du modèle lunaire de l’agence, le corpus d’entraînement contenait environ deux millions de tuiles d’images. Ce total comprenait plus d’un million d’images de caméras haute résolution à une résolution d’un mètre, ainsi que près de 964 000 images multispectrales à une résolution de 100 mètres.

D’autres données provenaient des missions GRAIL et Lunar Prospector de la NASA, ainsi que de la mission SELENE de l’agence spatiale japonaise. Ces missions n’ont pas observé la Lune de manière identique.

Les caméras optiques enregistrent la lumière réfléchie. L’altimétrie décrit l’élévation, tandis que les mesures thermiques et spectrales capturent d’autres propriétés physiques. Leurs résolutions spatiales peuvent aller d’environ un mètre par pixel à des mesures couvrant plusieurs kilomètres.

Le modèle NASA-IBM convertit ces observations hétérogènes en une représentation partagée. Cette représentation constitue la bibliothèque interne de motifs que les modèles en aval peuvent réutiliser.

La NASA identifie trois priorités scientifiques initiales. Les chercheurs souhaitent cataloguer les petits cratères, étudier des caractéristiques volcaniques relativement jeunes et estimer les zones où la glace reste stable près des pôles lunaires.

Chaque tâche répond à une question scientifique différente. Le comptage des cratères aide les chercheurs à estimer l’âge des surfaces. Les taches irrégulières des mers lunaires, qui sont des formations volcaniques inhabituelles, peuvent affiner l’histoire thermique de la Lune. Les cartes de glace polaire peuvent orienter les recherches sur les volatils lunaires et éclairer la planification de futures explorations.

Le modèle a également reconnu un cratère récemment formé près du cratère Einstein lors d’un test d’images avant-après. L’observation post-impact avait été exclue du préentraînement, selon la NASA. Cela en fait un test utile de l’adaptation à une modification de surface que le modèle préentraîné n’avait pas déjà observée.

Toutefois, cet exemple ne signifie pas que le système a découvert de manière autonome un impact inconnu à l’échelle de toute la Lune. Il montre qu’un modèle affiné peut identifier un type de changement connu dans des images orbitales préparées.

Cette description plus nuancée représente tout de même un progrès utile. Le filtrage automatisé peut aider les scientifiques à réduire une vaste archive à un ensemble gérable de lieux candidats pour un examen par des experts.

Pourquoi la détection de cratères par IA a besoin de moins d’annotations, et pas seulement d’un meilleur score

Le chiffre de 19 % est important parce que les données lunaires annotées sont rares, coûteuses à produire et dépendent souvent d’un jugement spécialisé.

Les systèmes d’apprentissage automatique ont besoin d’exemples qui relient une image d’entrée au résultat attendu. Pour la détection de cratères, ces annotations décrivent où apparaissent les cratères et comment leurs contours doivent être représentés.

Créer de telles annotations ne revient pas à étiqueter des photographies du quotidien. Les cratères se chevauchent, s’érodent et apparaissent différemment selon l’ensoleillement. De petites dépressions peuvent ressembler à des ombres ou à d’autres structures du terrain. La résolution détermine également quelles formations sont suffisamment visibles pour être classées.

Le modèle NASA-IBM aborde cette tâche avec des connaissances apprises à partir d’un ensemble beaucoup plus vaste de données lunaires non annotées. Il ne part pas de paramètres aléatoires ni uniquement de motifs appris à partir de photographies terrestres.

Ce préentraînement devrait être particulièrement utile lorsqu’un projet dispose de peu d’annotations d’experts. Au lieu d’enseigner à un système tout le langage visuel de la Lune, les chercheurs peuvent concentrer leurs annotations sur la cible scientifique.

IBM indique que le modèle a utilisé l’adaptation de bas rang, ou LoRA, pour les tâches en aval. LoRA ajuste un ensemble relativement restreint de paramètres tout en gardant inchangée la majeure partie du modèle préentraîné. L’entreprise rapporte que 90 % des poids de base sont restés gelés pendant l’adaptation.

Cette technique réduit les besoins en calcul et en entraînement propre à chaque tâche. Elle offre aussi une voie pratique aux groupes de recherche qui ne peuvent pas entraîner un grand modèle de vision à partir de zéro.

Le checkpoint de détection de cratères publié utilise l’infrastructure lunaire préentraînée avec une tête de détection Faster R-CNN. Faster R-CNN est une architecture de détection d’objets qui propose des régions probables, puis en classe le contenu.

À l’échelle de contexte plus large, le checkpoint fonctionne avec les images Wide Angle Camera à environ 100 mètres par pixel. Son benchmark contient des tuiles associées à un catalogue annoté manuellement de plus de deux millions de cratères d’impact lunaires.

La fiche du modèle de cratères publique présente des résultats sur cinq graines aléatoires. Les évaluations publiées ont conservé fixes les divisions des jeux de données, les augmentations, les chargeurs, les pertes et les métriques, tout en modifiant l’encodeur et son initialisation.

Avec la moitié de la division d’entraînement, le modèle lunaire entièrement affiné a atteint une précision moyenne moyenne de 0,2541. La référence SwinV2-B préentraînée sur ImageNet a atteint 0,2313 dans la même condition de demi-jeu de données.

La précision moyenne moyenne, ou mAP, résume la qualité de détection sur plusieurs seuils de chevauchement. Une prédiction doit à la fois trouver l’objet et placer sa boîte englobante suffisamment près de la limite annotée.

L’amélioration de 19 % souvent citée renvoie à la mesure plus stricte AP@75. Avec la moitié des données, le modèle lunaire a obtenu 0,2213, contre 0,1862 pour SwinV2-B. Cela représente une amélioration d’environ 18,9 %.

La comparaison est légitime, mais elle doit être associée à sa métrique. L’amélioration de la mAP globale dans la même condition de demi-jeu de données était plus proche de 10 %.

Une deuxième comparaison est sans doute plus importante. Avec la moitié des données d’entraînement, la mAP de 0,2541 du modèle lunaire dépassait le résultat de 0,2420 de SwinV2-B lorsque cette référence utilisait la totalité de la division d’entraînement.

Ce résultat soutient la proposition centrale du modèle. Le préentraînement spécifique au domaine peut compenser certaines annotations manquantes propres à une tâche, au moins sur ce benchmark.

L’avantage n’était pas universel à tous les niveaux de résolution. Sur le jeu de données Narrow Angle Camera à l’échelle du mètre, le modèle lunaire adapté a obtenu une mAP de 0,1543. SwinV2-B a atteint 0,1552, ce qui rend les deux modèles statistiquement indiscernables au vu de la variation rapportée.

Le modèle d’IA lunaire de la NASA ne remplace donc pas tous les détecteurs spécialisés. Ses preuves les plus solides concernent l’efficacité des annotations et la détection de cratères à l’échelle du contexte, tandis que ses performances à haute résolution restent comparables à la meilleure référence testée.

Un seul modèle relie désormais cratères, glace et terrain volcanique

Le mécanisme plus profond est le préentraînement multimodal, qui permet à une même infrastructure de réutiliser les relations apprises entre plusieurs instruments et cibles scientifiques.

Un modèle d’images généraliste traite habituellement une image orbitale comme une autre entrée visuelle. Il peut reconnaître des formes et des textures, mais il n’a pas nécessairement appris comment la température lunaire, l’élévation, l’éclairage et les mesures spectrales sont liés.

Le NASA-IBM Lunar Foundation Model a été conçu autour de ces relations. IBM indique que son architecture dérive de TerraMind, un modèle de fondation d’observation de la Terre développé avec l’Agence spatiale européenne.

La version lunaire a été entraînée sur plus de 30 couches spatialement alignées issues de plusieurs instruments. L’alignement signifie que le modèle peut associer des mesures décrivant le même lieu, même lorsque leurs échelles et formats d’origine diffèrent.

C’est particulièrement important près des pôles lunaires. Une région sombre dans une image visible ne contient pas automatiquement de la glace d’eau. Elle peut simplement être orientée à l’opposé du Soleil au moment de l’observation.

Un modèle d’évaluation du potentiel de présence de glace doit examiner plusieurs propriétés liées. Elles comprennent la température maximale de surface, la pente, l’orientation du terrain, les données radar et les estimations de la profondeur à laquelle la glace pourrait rester stable.

IBM indique que le modèle a réduit l’erreur de 22 % par rapport à un système fondé sur SwinV2 dans sa tâche sur la glace polaire. Le bénéfice rapporté venait de la combinaison des modalités, plutôt que de demander à un modèle de lumière visible de déduire des conditions souterraines à partir de l’apparence seule.

Le modèle a également conservé des prédictions utiles lorsque les chercheurs ont supprimé certains canaux d’entrée. Ce comportement est important, car les jeux de données planétaires sont rarement complets et uniformes. Une future étude pourrait manquer d’un type de mesure pour une région donnée.

Le potentiel de présence de glace reste une estimation du modèle, et non une confirmation directe d’un dépôt accessible. La formulation de la NASA est prudente : le système estime les zones où des poches de glace sont susceptibles de rester stables à la surface ou sous celle-ci.

La confirmation exige des observations provenant d’autres instruments ou des mesures prises sur place. La concentration, la profondeur, la contamination et la difficulté d’extraction restent des questions distinctes.

La troisième tâche démontrée concerne les taches irrégulières des mers lunaires. Ces formations semblent plus lisses et plus jeunes qu’une grande partie du terrain environnant. Leur âge apparent a suscité des questions sur la durée de l’activité volcanique lunaire.

Dans l’évaluation rapportée, le résultat de segmentation du modèle a dépassé une référence Swin spécifique à la tâche d’environ 3 %. La segmentation attribue les pixels du terrain à une classe cible, plutôt que de dessiner une boîte autour d’un objet.

Le gain est plus modeste que le titre sur les cratères, mais cette tâche élargit la portée du modèle. Une même infrastructure préentraînée a géré la détection, la segmentation et la prédiction de valeurs continues dans différents problèmes des sciences lunaires.

Cette flexibilité met sous pression la voie du développement tâche par tâche. Selon cette approche plus ancienne, une équipe de recherche sélectionne une architecture, constitue des jeux d’annotations, entraîne un modèle et maintient un pipeline sur mesure pour répondre à une question.

Une base lunaire réutilisable déplace une grande partie de ce travail vers une couche partagée. Les nouvelles études ont toujours besoin d’expertise métier, d’annotations appropriées, d’évaluation et d’interprétation. Elles n’ont pas nécessairement besoin de réapprendre les schémas statistiques fondamentaux de la Lune.

NASA et IBM avaient déjà suivi cette stratégie avec des modèles d’observation de la Terre et du Soleil. Les modèles Prithvi prennent en charge des applications géospatiales, tandis que Surya cible des tâches d’héliophysique telles que la prévision de la météo spatiale.

La publication lunaire étend cette famille de modèles au-delà de la Terre et du Soleil. Elle teste également si les modèles fondamentaux scientifiques peuvent devenir une infrastructure de recherche partagée plutôt que des démonstrations isolées.

La présentation détaillée du modèle d’IBM qualifie la version actuelle de première étape. Cette description est appropriée. C’est la réutilisabilité qui est mise à l’épreuve, et non un résultat déjà établi.

Le résultat de 19 % ne règle pas la question de la fiabilité scientifique

La principale incertitude consiste à savoir si l’efficacité mesurée sur les benchmarks résiste à de nouvelles régions, à des conditions d’observation différentes et à des questions de recherche non représentées lors de l’évaluation.

Le résultat sur les cratères provient de jeux de données soigneusement constitués, avec des partitions fixes et des annotations connues. Les investigations réelles introduisent des complications qu’un benchmark peut ne pas capturer.

L’éclairage en est un exemple. Les images de la surface lunaire peuvent changer considérablement selon l’angle d’incidence solaire. Les ombres révèlent la topographie dans certaines conditions, mais dissimulent des structures plus petites dans d’autres.

NASA reconnaît que des conditions d’éclairage différentes entre deux passages orbitaux peuvent affecter la visibilité des petits cratères. Un détecteur de changements pourrait donc confondre des différences d’illumination avec une modification physique de la surface.

Le benchmark lui-même limite la variation de l’éclairage pour certaines tuiles à l’échelle du contexte. Cela rend les comparaisons entre modèles plus nettes, mais ne représente pas pleinement toutes les images orbitales qu’un système en production pourrait rencontrer.

La qualité des annotations soulève une autre question. Les catalogues de cratères générés par des humains constituent de précieuses références, mais ils ne décrivent pas parfaitement la réalité physique. Les experts peuvent diverger sur les rebords dégradés, les impacts qui se chevauchent et le diamètre minimal permettant de qualifier une structure de cratère.

Un modèle optimisé par rapport à ces annotations apprend leurs conventions et leurs omissions. Une précision moyenne plus élevée signifie une meilleure concordance avec le benchmark, et non une confirmation indépendante que chaque prédiction est scientifiquement correcte.

Les fuites géographiques méritent également un examen attentif. Le modèle a été préentraîné sur une large couverture LRO, puis affiné et évalué sur des données lunaires en aval. Les chercheurs doivent déterminer si l’avantage appris se transfère à des régions, instruments et conditions d’acquisition géologiquement distincts.

Ce n’est pas nécessairement un défaut. Les modèles fondamentaux sont censés réutiliser des connaissances issues d’un préentraînement vaste. Toutefois, une validation robuste doit distinguer une généralisation utile d’une simple familiarité avec une distribution de données plus large.

La publication publique améliore les perspectives de tels tests. NASA et IBM ont mis à disposition les poids du modèle, les jeux de données de benchmark, les configurations d’affinage et les checkpoints en aval sous licence Apache 2.0.

Le codebase publié prend en charge l’affinage et l’inférence via TerraTorch. Il comprend des configurations pour la détection de cratères, la segmentation de zones volcaniques et l’évaluation du potentiel de glace.

Toutefois, le dépôt indique que le code de préentraînement n’est pas inclus. Les chercheurs externes peuvent donc inspecter et reproduire l’adaptation en aval plus facilement qu’ils ne peuvent recréer le processus de préentraînement initial.

Des poids ouverts restent sensiblement plus utiles qu’un service inaccessible. Les scientifiques peuvent effectuer des évaluations contrôlées, examiner les cas d’échec, modifier le seuil de détection et comparer la base avec d’autres systèmes.

Pourtant, la science ouverte dépend aussi de la documentation de la préparation des données, de la construction du modèle et des décisions d’entraînement. La publication de détails supplémentaires sur le préentraînement renforcerait la reproductibilité et aiderait d’autres institutions à adapter l’approche à Mars, aux astéroïdes ou à de nouveaux instruments lunaires.

Une autre limite concerne les affirmations opérationnelles. Le modèle peut éclairer la cartographie des cratères ou la recherche sur la glace, mais NASA ne l’a pas présenté comme un système certifié de navigation ou de sécurité d’atterrissage.

Les décisions de mission exigent des produits de terrain vérifiés, des estimations d’incertitude et une revue d’ingénierie. Un checkpoint de recherche performant sur des images mises de côté n’est pas automatiquement adapté au contrôle d’un engin spatial.

La même prudence s’applique à la planification des ressources. Les cartes de potentiel de glace peuvent hiérarchiser des sites à étudier davantage. Elles ne peuvent pas établir quelle quantité d’eau extractible existe sur un site ni si un système d’exploration peut l’atteindre en toute sécurité.

La meilleure lecture des éléments disponibles est donc précise. Le modèle a produit de solides résultats initiaux sur plusieurs tâches de benchmark, avec un avantage notable d’efficacité des annotations pour la détection de cratères à l’échelle du contexte. La réplication indépendante et la validation orientée terrain devront déterminer sa portée scientifique pratique.

L’accès ouvert met sous pression les modèles lunaires spécialisés

NASA et IBM mettent sous pression la voie des modèles sur mesure en offrant aux chercheurs une base commune, des jeux de données et des configurations de tâches exécutables.

La concurrence principale n’oppose pas NASA à une autre agence spatiale, ni IBM à une autre entreprise technologique. Il s’agit d’un choix technique entre un préentraînement réutilisable propre à un domaine et des modèles distincts construits pour des tâches individuelles.

Les systèmes généraux de vision par ordinateur restent pertinents dans cette comparaison. SwinV2-B, l’un des principaux modèles de référence, est un transformeur visuel hiérarchique initialement préentraîné sur des jeux de données d’images ordinaires.

Ces modèles bénéficient d’outils matures et de tests approfondis. Ils peuvent également obtenir de bons résultats sur des tâches lunaires après affinage, comme le démontre le résultat sur les cratères à l’échelle métrique.

L’avantage du modèle lunaire réside dans son exposition préalable au domaine cible. Ses données de préentraînement incluent les textures, échelles, canaux de capteurs et relations de terrain qu’un modèle d’images terrestres doit apprendre durant l’adaptation.

Cet avantage devient particulièrement précieux lorsque les annotations sont rares. Le résultat rapporté avec la moitié des données suggère qu’une petite équipe de recherche peut approcher ou dépasser les performances d’un modèle général entraîné sur l’ensemble des données sans annoter autant d’exemples.

L’économie diffère de celle de l’IA générative commerciale. Le coût pertinent ne se limite pas au temps d’accélérateur. Les scientifiques des planètes doivent définir les annotations, résoudre les exemples ambigus, préparer les jeux de données spatiales et valider les résultats à l’aune des connaissances scientifiques.

Réduire ce travail peut raccourcir une expérience. Cela peut également rendre des analyses spécialisées accessibles à des équipes disposant d’une forte expertise scientifique mais d’une infrastructure d’apprentissage automatique limitée.

La distribution ouverte modifie encore l’équilibre. Le modèle et les checkpoints en aval sont disponibles via la collection publique de modèles, plutôt que derrière une interface applicative propriétaire.

Les chercheurs peuvent affiner le modèle localement, inspecter les configurations et comparer les résultats sur leurs propres données. Ils peuvent également publier des analyses d’échec sans dépendre du service hébergé d’un fournisseur.

Cette approche s’aligne sur les objectifs plus larges de science ouverte de NASA. Les observations financées par des fonds publics gagnent en valeur lorsque des institutions externes peuvent s’appuyer sur des représentations réutilisables au lieu de nettoyer à répétition les mêmes archives.

La publication crée aussi une pression en faveur de meilleurs benchmarks. Une fois qu’une même base est partagée par la communauté, les désaccords peuvent se déplacer vers la conception de l’évaluation, l’incertitude et l’utilité scientifique.

Les comparaisons futures devraient tester des régions géographiques inconnues, des combinaisons de capteurs modifiées et des changements temporels. Elles devraient également mesurer la calibration, qui évalue si le niveau de confiance du modèle reflète fidèlement son taux d’erreur.

Les utilisateurs opérationnels auront besoin de plus qu’un résultat au classement. Ils doivent savoir quand le modèle est incertain, quel canal d’entrée a motivé une prédiction et comment les performances évoluent lorsque les observations sont absentes ou dégradées.

Les équipes universitaires peuvent désormais étudier ces questions à l’aide des artefacts publiés. Leurs conclusions détermineront si ce projet devient une infrastructure durable ou reste une impressionnante collection de démonstrations par tâche.

Trois signaux montreront si l’IA lunaire dépasse les benchmarks

La prochaine étape est la vérification par la communauté, suivie de preuves que la même base peut soutenir de nouvelles avancées scientifiques sans réentraînement intensif.

Le premier signal est la reproduction indépendante des benchmarks. Des équipes externes devraient pouvoir retrouver des résultats comparables sur les cratères, la glace et la cartographie volcanique à partir des poids, données et configurations publiés.

Ce test clarifiera la signification du chiffre de 19 %. Il devra préserver la distinction entre AP@75, la mAP globale, les performances avec la moitié des données et l’évaluation distincte à l’échelle métrique.

Une reproduction renforcerait la confiance dans les affirmations techniques. Des différences importantes et inexpliquées affaibliraient l’argument en faveur de l’utilisation du modèle comme référence scientifique commune.

Le deuxième signal est le transfert vers des données inconnues. Les chercheurs devraient tester des régions, géométries d’observation, instruments ou cibles qui diffèrent des benchmarks en aval publiés.

Un résultat convaincant montrerait que le NASA-IBM Lunar Foundation Model réduit les besoins en annotations pour une tâche choisie après le préentraînement. Cela étayerait l’affirmation selon laquelle il a appris des représentations lunaires largement réutilisables.

Un transfert médiocre suggérerait que les gains actuels dépendent fortement de la distribution d’entraînement. Le modèle pourrait rester utile, mais son rôle ressemblerait davantage à celui d’une solide base spécialisée qu’à une infrastructure lunaire générale.

Le troisième signal est l’adoption dans des travaux de recherche publiés ou des flux de planification de mission. Les scientifiques doivent montrer que le modèle transforme un véritable processus analytique, et pas seulement son score de benchmark.

Des éléments utiles pourraient inclure un nouveau catalogue de cratères, un ensemble priorisé d’observations polaires ou une carte volcanique que des experts valident par rapport à des mesures indépendantes. Une équipe de mission pourrait également documenter comment les résultats du modèle ont réduit le tri manuel sans contourner l’examen scientifique.

NASA et IBM devraient publier les cas d’échec en parallèle des applications réussies. Les artefacts d’éclairage, les canaux manquants, les terrains inhabituels et les annotations ambiguës peuvent révéler les situations où le jugement humain reste essentiel.

Les développeurs devraient suivre ce projet pour une autre raison. Cette publication offre un test concret des modèles fondamentaux de domaine au-delà de la génération de langage. Sa question centrale vaut pour la médecine, les sciences du climat, l’industrie et la télédétection : un préentraînement large sans annotations peut-il réduire le volume coûteux d’annotations nécessaire à un travail spécialisé ?

Les chercheurs peuvent commencer par le rapport technique, examiner les cartes de modèles et reproduire une tâche en aval avant d’ajouter de nouvelles données. La contribution la plus précieuse ne sera peut-être pas un score plus élevé. Ce pourrait être un cas soigneusement documenté où le modèle lunaire échoue.

Des équipes indépendantes confirmeront-elles son avantage en matière d’efficacité des annotations, puis l’étendront-elles à des observations et à des questions que NASA et IBM n’ont pas choisies ? C’est la norme que le NASA-IBM Lunar Foundation Model devra atteindre avant qu’un benchmark prometteur ne devienne une infrastructure scientifique fiable.