杜兰特30+6弗拉格32+5 火箭大胜独行侠

【搜狐体育战报】北京时间10月22日NBA常规赛，主场作战的火箭以128-110击败独行侠。

申京23分10篮板5助攻，弗拉格32分5篮板2助攻。

全场具体比分（火箭队在后）：26-32、12-38、38-30、34-28。

独行侠队：弗拉格32分5篮板2助攻、萨瑟17分2篮板1助攻、马绍尔16分2篮板6助攻、欧文15分4篮板2助攻、华盛顿10分4篮板2助攻、约翰逊6分3篮板1助攻、克里斯蒂5分3篮板2助攻、里萨谢4分6篮板2助攻、西塞3分、加福德2分3篮板1助攻、拉雷亚2篮板1助攻。

火箭队：史密斯30分5篮板1助攻、杜兰特30分6篮板3助攻、申京23分10篮板5助攻、汤普森16分10篮板4助攻、斯马特10分3篮板2助攻、范弗利特6分2篮板11助攻、波格丹诺维奇5分1篮板2助攻、克劳福德3分、谢泼德3分2篮板4助攻、伊森2分1篮板、卡佩拉3篮板。

开场后独行侠率先开火，华盛顿三分命中，克里斯蒂跳投打进，开局取得5-0领先。

火箭很快稳住阵脚，申京连拿5分追平比分，范弗利特命中三分反超，弗拉格立刻回敬三分再次打平。

两队比分交替上升，多次战平后，杜兰特连续通过罚球和冲框得分，首节末尾，杜兰特扣篮得手，汤普森跟进暴扣，首节打完火箭32-26领先。

第二节开始后，火箭进攻火力彻底打开，史密斯开局连拿4分，汤普森快攻空接扣篮，分差很快来到两位数。

火箭外线持续开火，波格丹诺维奇、史密斯、斯马特先后命中三分，内线申京连续勾手、造罚球取分，一波攻击过后，半场前5分钟分差已经突破20分。

火箭继续扩大优势，半场结束时火箭70-38领先独行侠。

火箭半场进攻效率极高，全队多点得分，建立起32分的巨大领先优势，比赛主动权完全掌握在主队手中。

进入第三节，大比分落后的独行侠发起反扑，弗拉格连续突破造杀伤和上篮拿分，欧文、萨瑟先后得分不断缩小分差。

火箭这边申京内线连续取分，杜兰特、史密斯也保持得分，始终将分差稳定在20分以上。

三节最后时刻，斯马特命中三分，欧文上篮打进，三节结束火箭100-76领先24分。

比赛进入末节，独行侠延续追分势头，弗拉格连续得分，萨瑟连中三分，一度将分差缩小到17分。

火箭迅速回应，史密斯三分命中，杜兰特连投带罚稳住分差。

末段双方换上替补阵容，克劳福德命中三分后火箭拿到128分，纳吉-马绍尔转身跳投命中拿到独行侠全场最后两分，比赛结束。

独行侠队首发：库珀-弗拉格、凯里-欧文、PJ-华盛顿、马克斯-克里斯蒂、丹尼尔-加福德

火箭队首发：小贾巴里-史密斯、凯文-杜兰特、阿尔佩伦-申京、阿门-汤普森、弗雷德-范弗利特

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。

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

Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。

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。