现在我们知道了吗？ TerraMind 与 THOR 的系统比较

地理空间基础模型 (GFM) 的基准越来越多地按照总分对模型进行排名，但这种排名掩盖了模型差异的原因：架构有多少差距，解码器容量有多少，特定用例的工件有多少？本研究通过对欧洲航天局 $Φ$ 实验室开发的两种 GFM 进行受控比较来解决这一差距，并采用对比的设计理念：THOR，它引入了支持可变补丁大小的计算自适应架构，并将 Sentinel-1、-2 和 -3 数据统一为其原始分辨率； TerraMind 是一种多模态生成 GFM，经过双尺度标记/像素目标预训练，可实现任意跨模态生成（模态思考），以在推理时推断丢失的传感器。我们不是报告单个排行榜，而是调查两种架构实际上不同的轴——补丁大小、解码器复杂性、微调机制、输入模式和模型规模——跨越不同领域的分割和回归的十个用例，包括气候灾难响应、甲烷泄漏检测、雪监测或海冰测绘。我们发现架构设计选择（尤其是补丁大小和解码器类型）比模型身份本身解释了更多的性能差异，这两个模型体现了互补的投资策略（TerraMind 的预训练时间尺度与 THOR 的推理时间标记化），并且正确解释结果需要数据集级表征。由此产生的结果并不是单一的获胜者，而是一组假设和诊断消融方法，我们希望将其推广到 THOR 和 TerraMind 之外的未来 GFM。