AQUA Models
IA diseñada para acuicultura. Código abierto. Apache 2.0.
Los modelos
Dos LLMs de código abierto diseñados para acuicultura — de la nube al edge.
AQUA-7B
Flagship Model
AQUA-1B
Edge / Mobile Model
Características principales
Experiencia de dominio abarcando toda la cadena de valor acuícola — del criadero a la cosecha.
Sistemas de producción y especies
Cubre estanques, jaulas, RAS, acuaponía, maricultura y palangres. Prácticas para tilapia, bagre, carpa, salmón, camarón, cangrejos, ostras, lubina y más.
Genética, criadero y etapa temprana
Guías de reproducción avanzada, edición genética, diseño de criadero, desove, cuidado larval, sistemas de vivero, alimento vivo, transporte, incubación de huevos y bioseguridad.
Nutrición, alimentación y crecimiento
Protocolos prácticos para formulación de alimento, optimización de FCR, orientación nutricional específica por especie y manejo de etapas de crecimiento.
Calidad del agua, salud y enfermedades
Protocolos para temperatura, oxígeno, pH, amoníaco, nitrito, salinidad — más manejo estructurado de enfermedades: identificación, vacunación y respuesta a brotes.
Acuicultura sostenible e innovación
Prácticas ecológicas en gestión de residuos, impacto ambiental, biodiversidad, adaptación climática y adopción de IA, automatización, sensores y drones.
Economía, regulación y postcosecha
Tendencias de mercado, planificación empresarial, regulación, certificación, trazabilidad, cosecha, procesamiento, cadena de frío, clasificación, HACCP y seguridad alimentaria.
Configuración de entrenamiento
Ajuste fino con LoRA en Mistral-7B usando 8× GPUs NVIDIA H200.
| Hiperparámetro | Configuración |
|---|---|
| Base Model | Mistral-7B-Instruct-v0.3 |
| Fine-tuning Method | LoRA |
| Optimizer | AdamW (lr = 1e-4) |
| Scheduler | Cosine, 5,000 warmup steps |
| Epochs | 2 |
| Batch Size | 2 (effective: 16) |
| Max Sequence Length | 2,048 tokens |
| Precision | bf16 |
| Hardware | 8× NVIDIA H200 GPUs |
| Training Time | ~32 hours |
Datos de entrenamiento
Aproximadamente 3 millones pares de Q&A reales y sintéticos, totalizando alrededor de 1 mil millones de tokens de datos de alta calidad específicos del dominio.
Aviso legal y limitaciones
Sesgo de dominio — El modelo puede reflejar sesgos inherentes presentes en las fuentes de datos acuícolas y prácticas de la industria con las que fue entrenado.
Limitación de datos temporales — Las recomendaciones climáticas y ambientales se basan en información disponible hasta 2024. Los usuarios deben verificar los consejos climáticos con las últimas recomendaciones.
Posibles alucinaciones — Como todos los grandes modelos de lenguaje, AQUA-7B puede generar ocasionalmente respuestas inexactas o engañosas. Siempre valide decisiones críticas, regulatorias o de alto impacto con un profesional calificado en acuicultura.
Inicio rápido
Comience con AQUA-7B en pocas líneas de Python.
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
model_id = "KurmaAI/AQUA-7B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
device_map="auto",
torch_dtype=torch.float16,
)
prompt = "What are the most common diseases in shrimp farming?"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))Comience a construir con AQUA
Descargue los modelos de HuggingFace o pruebe AquaChat en su teléfono.