AQUA Models
Spesialbygget AI for akvakultur. Åpen kildekode. Apache 2.0.
Modellene
To åpen kildekode LLM-er spesialbygget for akvakultur — fra sky til edge.
AQUA-7B
Flagship Model
AQUA-1B
Edge / Mobile Model
Hovedfunksjoner
Domenekompetanse som dekker hele akvakulturverdikjeden — fra klekkeriet til høsting.
Produksjonssystemer og arter
Dekker dammer, merder, RAS, akvaponikk, marikultur og liner. Praksiser for tilapia, malle, karpe, laks, reker, krabber, østers, havabbor og mer.
Genetikk, klekkeri og tidlig stadium
Veiledning for avansert avl, genredigering, klekkeridesign, gyting, larvepleie, oppfostringssystemer, levende fôr, transport, egginkubasjon og biosikkerhet.
Ernæring, fôring og vekst
Praktiske protokoller for fôrformulering, FCR-optimalisering, artsspesifikk ernæringsveiledning og vekstfasestyring.
Vannkvalitet, helse og sykdom
Protokoller for temperatur, oksygen, pH, ammoniakk, nitritt, salinitet — pluss strukturert sykdomshåndtering: identifikasjon, vaksinasjon og utbruddsrespons.
Bærekraftig akvakultur og innovasjon
Miljøvennlige praksiser innen avfallshåndtering, miljøpåvirkning, biologisk mangfold, klimatilpasning og bruk av AI, automatisering, sensorer og droner.
Økonomi, regulering og etterbehandling
Markedstrender, forretningsplanlegging, regulering, sertifisering, sporbarhet, høsting, prosessering, kjølekjede, sortering, HACCP og mattrygghet.
Treningskonfigurasjon
Finjustert med LoRA på Mistral-7B med 8× NVIDIA H200 GPU-er.
| Hyperparameter | Innstilling |
|---|---|
| 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 |
Treningsdata
Omtrent 3 millioner ekte og syntetiske Q&A-par, totalt rundt 1 milliard tokens med høykvalitets, domenespesifikke data.
Ansvarsfraskrivelse og begrensninger
Domeneskjevhet — Modellen kan gjenspeile iboende skjevheter i akvakulturdatakildene og bransjepraksis den ble trent på.
Tidsmessig databegrensning — Klima- og miljøanbefalinger er basert på informasjon tilgjengelig til 2024. Brukere bør kryssjekke klimarelaterte råd med de siste retningslinjene.
Mulige hallusinasjoner — Som alle store språkmodeller kan AQUA-7B av og til generere unøyaktige eller villedende svar. Valider alltid kritiske beslutninger med en kvalifisert akvakulturfagperson.
Hurtigstart
Kom i gang med AQUA-7B med noen få linjer 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))Begynn å bygge med AQUA
Last ned modellene fra HuggingFace eller prøv AquaChat på telefonen din.