AQUA Models
ఆక్వాకల్చర్ కోసం ప్రత్యేకంగా నిర్మించిన AI. ఓపెన్ సోర్స్. Apache 2.0.
మోడళ్లు
ఆక్వాకల్చర్ కోసం ప్రత్యేకంగా నిర్మించిన రెండు ఓపెన్-సోర్స్ LLMలు — క్లౌడ్ నుండి ఎడ్జ్ వరకు.
AQUA-7B
Flagship Model
AQUA-1B
Edge / Mobile Model
ముఖ్య లక్షణాలు
హ్యాచరీ నుండి హార్వెస్ట్ వరకు మొత్తం ఆక్వాకల్చర్ విలువ గొలుసులో డొమైన్ నైపుణ్యం.
ఉత్పత్తి వ్యవస్థలు & జాతులు
చెరువులు, కేజ్‌లు, RAS, ఆక్వాపోనిక్స్, మారికల్చర్ మరియు లాంగ్‌లైన్‌లు. తిలాపియా, కాట్‌ఫిష్, కార్ప్, సాల్మన్, రొయ్యలు, పీతలు, ఆయిస్టర్‌లు, సీ బాస్ మరియు మరిన్నింటి కోసం పద్ధతులు.
జెనెటిక్స్, హ్యాచరీ & ప్రారంభ దశ
అధునాతన బ్రీడింగ్, జీన్ ఎడిటింగ్, హ్యాచరీ డిజైన్, స్పానింగ్, లార్వల్ కేర్, నర్సరీ సిస్టమ్‌లు, లైవ్ ఫీడ్, ట్రాన్స్‌పోర్ట్, ఎగ్ ఇంక్యుబేషన్ మరియు బయోసెక్యూరిటీ కోసం మార్గదర్శకాలు.
పోషకాహారం, ఆహారం & వృద్ధి
ఫీడ్ ఫార్ములేషన్, FCR ఆప్టిమైజేషన్, జాతి-నిర్దిష్ట పోషక మార్గదర్శకత్వం మరియు వృద్ధి దశ నిర్వహణ కోసం ప్రోటోకాల్‌లు.
నీటి నాణ్యత, ఆరోగ్యం & వ్యాధి
ఉష్ణోగ్రత, ఆక్సిజన్, pH, అమ్మోనియా, నైట్రైట్, లవణీయత కోసం ప్రోటోకాల్‌లు — అలాగే వ్యాధి నిర్వహణ: గుర్తింపు, వ్యాక్సినేషన్ మరియు వ్యాప్తి ప్రతిస్పందన.
సుస్థిర ఆక్వాకల్చర్ & ఆవిష్కరణ
వ్యర్థ నిర్వహణ, పర్యావరణ ప్రభావం, జీవవైవిధ్యం, వాతావరణ అనుకూలత మరియు AI, ఆటోమేషన్, సెన్సార్‌లు మరియు డ్రోన్‌ల అవలంబనలో పర్యావరణ అనుకూల పద్ధతులు.
ఆర్థిక శాస్త్రం, నియంత్రణ & పంట అనంతరం
మార్కెట్ ట్రెండ్‌లు, వ్యాపార ప్రణాళిక, నియంత్రణ, సర్టిఫికేషన్, ట్రేసబిలిటీ, హార్వెస్టింగ్, ప్రాసెసింగ్, కోల్డ్ చైన్, గ్రేడింగ్, HACCP మరియు ఆహార భద్రత.
శిక్షణ కాన్ఫిగరేషన్
8× NVIDIA H200 GPUలతో Mistral-7B పై LoRA తో ఫైన్-ట్యూన్ చేయబడింది.
| హైపర్‌పారామీటర్ | సెట్టింగ్ |
|---|---|
| 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 |
శిక్షణ డేటా
సుమారు 30 లక్షలు నిజమైన మరియు సింథటిక్ Q&A జంటలు, మొత్తం సుమారు 100 కోట్ల టోకెన్‌లు అధిక-నాణ్యత, డొమైన్-నిర్దిష్ట డేటా.
నిరాకరణ & పరిమితులు
డొమైన్ పక్షపాతం — మోడల్ శిక్షణ పొందిన ఆక్వాకల్చర్ డేటా మూలాలు మరియు పరిశ్రమ పద్ధతులలో ఉన్న అంతర్గత పక్షపాతాలను ప్రతిబింబించవచ్చు.
తాత్కాలిక డేటా పరిమితి — వాతావరణ మరియు పర్యావరణ సిఫార్సులు 2024 వరకు అందుబాటులో ఉన్న సమాచారం ఆధారంగా ఉన్నాయి. తాజా సలహాలతో క్రాస్-చెక్ చేయండి.
సంభావ్య భ్రమలు — అన్ని పెద్ద భాషా మోడళ్ల మాదిరిగానే, AQUA-7B అప్పుడప్పుడు తప్పుడు లేదా తప్పుదారి పట్టించే ప్రతిస్పందనలను ఉత్పత్తి చేయవచ్చు. క్లిష్టమైన నిర్ణయాలను ఎల్లప్పుడూ అర్హత కలిగిన ఆక్వాకల్చర్ నిపుణుడితో ధృవీకరించండి.
త్వరిత ప్రారంభం
Python యొక్క కొన్ని పంక్తులలో AQUA-7B తో ప్రారంభించండి.
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))AQUA తో నిర్మాణం ప్రారంభించండి
HuggingFace నుండి మోడళ్లను డౌన్‌లోడ్ చేయండి లేదా మీ ఫోన్‌లో AquaChat ప్రయత్నించండి.