模型
两个专为水产养殖打造的开源LLM — 从云端到边缘。
AQUA-7B
Flagship Model
参数7 Billion
基础模型Mistral-7B-Instruct-v0.3
训练数据3M+ expert-verified QA pairs
格式Safetensors (BF16)
发布July 4, 2025
在HuggingFace查看↗Apache 2.0
AQUA-1B
Edge / Mobile Model
参数1 Billion
基础模型TBD
训练数据Aquaculture-focused dataset
格式Safetensors
发布July 29, 2025
在HuggingFace查看↗Apache 2.0
核心特性
涵盖整个水产养殖价值链的领域专业知识 — 从孵化场到收获。
生产系统与物种
涵盖池塘、网箱、RAS、水培、海水养殖和延绳钓。罗非鱼、鲶鱼、鲤鱼、三文鱼、虾、螃蟹、牡蛎、鲈鱼等的养殖实践。
遗传学、孵化场与早期阶段
高级育种、基因编辑、孵化场设计、产卵、幼虫护理、育苗系统、活饵、运输、卵孵化和生物安全指南。
营养、饲喂与生长
饲料配方、FCR优化、物种特定营养指导和生长阶段管理的实用协议。
水质、健康与疾病
温度、氧气、pH、氨、亚硝酸盐、盐度协议 — 以及结构化疾病管理：识别、疫苗接种和暴发应对。
可持续水产养殖与创新
废物管理、环境影响、生物多样性、气候适应以及AI、自动化、传感器和无人机应用中的环保实践。
经济、法规与采后
市场趋势、商业规划、法规、认证、可追溯性、收获、加工、冷链、分级、HACCP和食品安全。
训练配置
使用8× NVIDIA H200 GPU在Mistral-7B上进行LoRA微调。
| 超参数 | 设置 |
|---|---|
| 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 |
推广员与农民对话和现场咨询日志
FAO、ICAR、NOAA及同行评审的水产养殖研究
来自5,000+水产养殖主题的合成Q&A
气候适应实践、孵化场SOP和水质数据集
精心策划以支持物种特定的养殖方法
免责声明与局限性
领域偏差 — 模型可能反映训练所用水产养殖数据源和行业实践中固有的偏差。
时间数据限制 — 气候和环境建议基于截至2024年的可用信息。用户应对照最新建议进行核实。
可能的幻觉 — 与所有大型语言模型一样，AQUA-7B可能偶尔产生不准确或误导性的回答。请始终与合格的水产养殖专业人员验证关键决策。
快速开始
用几行Python开始使用AQUA-7B。
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))