18分逆转！奥科里绝杀太阳，杰伦格林11+2，狄龙正负值又是第一

NBA季前赛，活塞109-107逆转击败太阳取得开门红。

今天活塞这边内线杜伦不打，刚续约了5年2亿合同，还得稳一手，等常规赛再发力。

太阳方面马威受伤，球队没有让马努阿奇打首发中锋，还是上了伊戈达罗。

球队策略也没错，不着急给机会不然就是拔苗助长。

先慢慢从替补打起来，毕竟2.18米的马努阿奇要是成长起来，是绝对的首发级别。

而且马努阿奇也在开发三分，上赛季命中率24%，等新秀合同结束时，三分应该会有点长进，同时体型也能够承担首发角色。

除了中锋位置，太阳其他变化不大。

后场还是布克和杰伦格林，锋线狄龙，四号位则是布里奇斯。

太阳的打法和上赛季差不多，还是以进攻为主，外线能力拉满。

格林，布里奇斯，布克和狄龙四把火枪，伊戈达罗能把篮板和护框做好就行。

有趣的是，今天虽然是季前赛，但双方火药味挺足的，狄龙还是喜欢搞事。

在开局不久，龙哥就因为和科林斯卡位起了冲突，然后科林斯直接锁喉狄龙被吹了恶犯。

但这些节奏并没有打乱太阳节奏，他们很快就在外线上占据绝对优势，活塞防守完全被太阳击穿，没有杜伦篮板也不行。

而太阳不仅仅外线火力全开，还有大量二次进攻靠积极性继续拉开分差，首节太阳35-21领先14分。

虽然格林还是没展现打控卫的能力，但只靠进攻太阳就打碎了比赛。

第二节康宁汉姆试图组织进攻，一度慢慢蚕食分差，可太阳火力太猛了，这四把火枪根本堵不住。

半场过后太阳已经领先18分，比赛几乎失去悬念。

下半场太阳先撤下主力，活塞则继续保留奥萨尔和科林斯带队追分，打了4-5分钟活塞也换下全部主力。

但势头慢慢被活塞抓住，靠着替补起势，活塞在第三节成功追平。

末节活塞终于反超太阳，不过最后时刻活塞失误被太阳追平，但新秀奥科里完成绝命上篮绝杀，活塞险胜。

全场比赛数据方面，活塞这边康宁汉姆10分2板，正负值-14很一般，奥萨尔10分2板3断首发唯一正负值+2，其他全是负数，休赛期活塞3000万年薪续约奥萨尔也确实物超所值，防守端太强了。

太阳这边布克13分3助，格林11分2板1助，狄龙11分2板，布里奇斯8分5板4助，伊戈达罗3分5板。

其中狄龙正负值还是全场最高的+18，太阳3年7800万续约狄龙，以目前来看性价比拉满了。

上赛季狄龙常规赛场均20+3，命中率44%，三分34%。

他是太阳进季后赛关键功臣，不逊色当年巴特勒加盟森林狼带队季后赛。

而到了季后赛，狄龙场均达到恐怖的26+6，命中率46%，三分命中率34%。

太阳面对雷霆虽然被横扫，但狄龙是站着死的。

不得不说，火箭和太阳这一笔交易是双赢，火箭拿到了关键时刻的攻坚手杜兰特，太阳则得到一个精神领袖。

上赛季火箭缺少范乔丹，新赛季范乔丹伤愈归来，火箭还补强了斯玛特，在一定程度上，斯玛特让火箭重新拥有了狄龙气质，因为狄龙和斯玛特差不多，都是那一种对手讨厌，但队友喜欢的类型，上赛季火箭常规赛横扫了太阳。

新赛季你会很期待火箭面对太阳时，狄龙和斯玛特的对抗，这将非常有趣。

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。