--- title: Sinong1.0-8B canonical_url: "https://www.modelscope.cn/models/NAULLM/Sinong1.0-8B" md_url: "https://www.modelscope.cn/models/NAULLM/Sinong1.0-8B.md" repository: NAULLM/Sinong1.0-8B last_updated: 2026-01-14 model_type: - qwen3 architectures: - Qwen3ForCausalLM parameters: 8.2B tensor_type: - BF16 library_name: - safetensors downloads: 2599 stars: 39 --- # Sinong1.0-8B > Sinong1.0-8B - NAULLM 在 ModelScope 开源的模型。司农大语言模型 中文 ｜ English - **Repository**: NAULLM/Sinong1.0-8B - **Parameters**: 8.2B - **Downloads**: 2599 - **Stars**: 39 - **Last updated**: 2026-01-14 Source: https://www.modelscope.cn/models/NAULLM/Sinong1.0-8B --- # 司农大语言模型 中文 ｜ English **面向通用农业领域的垂直大模型** ![sinong-logo](./images/logo.png) ## 数据收集与模型训练 依托南京农业大学学科特色，面向**动物科学**、**动物医学**、**农业经济管理**、**农业资源与环境**、**园艺学**、**智慧农业**、**植物保护**、**作物育种**等细分学科收集了大规模领域数据，总量超40亿token。 |数据类型|数据量| |:---:|:---:| |书籍|8,863册| |论文|243,897篇| |政策、标准、专利等|196,748份| ||| 结合视觉模型与大语言模型，这些多源异构的数据被整理、筛选、整合，形成了**大规模**、**高质量**的**农业基础数据集**。 为提升模型的农业语言能力与领域知识，我们在基础数据集上开展了合成数据构建、指令微调与强化学习，除传统指令数据外，思维链、上下文参考形式的指令数据也被应用于模型训练中，旨在提升模型对农业领域知识的理解、学习和使用能力。 |数据类型|数据样例| |:---:|:---:| |QA|"instruction": "在人多地少、耕地后备资源不足的背景下，如何借鉴中国古代‘精耕细作’传统提升单位面积粮食产量，且避免过度投入导致的生态退化？","output": "应采取‘三才’统筹的精耕细作模式：一是因地制宜优化耕作制度，..."| |COT-QA|"instruction": "宋代南方水田农业中出现了哪些新型农具？这些农具如何促进了水稻种植效率的提升？",“output”: \n好的，我现在需要回答用户的问题：“宋代南方水田农业中出现了哪些新型农具？这些农具如何促进了水稻种植效率的提升？”……\n宋代南方水田农业中出现的新型农具包括：……"| |Incontext-QA|"instruction": ""小麦纹枯病的发生与温湿度、栽培措施及品种抗性如何交互影响，导致其在不同生育阶段呈现动态发展规律？\n\n小麦和大麦种子萌发后……",“output”:小麦纹枯病的发生与温湿度、栽培措施及品种抗性三者交互影响，共同决定其在不同生育阶段的动态发展规律，具体表现为：\n\n1. 温湿度主导病害发展节律： \n 病菌侵染和扩展受温度显著调控。冬前（10℃以下）病害发展缓慢，仅零星发生；翌春气温回升至15℃以上时，病害加速扩展，20～25℃为最适发展温度，此时病株率与严重度急剧上升，尤其在拔节至孕穗期达高峰；30℃以上病害基本停滞。同时，春季低温多雨……| |Incontext-COT-QA|“instruction”: “中国百强农业对外投资企业在投资规模、区域分布与行业结构上呈现出哪些显著特征，反映了我国农业“走出去”战略的何种优先导向？\n\n2015年，中国对外农业投资100强企业（以下简称百强企业”）对外投资30.61亿美元，占投资流量总额的84% ；截至2015年底，累计投资达111.96亿美元，占比86.6% ；在58个国家和地区共设立农业企业194家，占境外农业企业总数的25.4% ；营业收入达418.38亿美元，占所有企业营业收入的 94.6%。可见，尽管百强企业数量占比不高，但在投资规模、经营效益等方面……",“output”:"\n好的，我现在需要回答用户的问题，关于中国百强农业对外投资企业在投资规模、区域分布与行业结构上的显著特征，以及这些特征反映的农业“走出去”战略的优先导向。首先，我需要仔细阅读用户提供的参考材料，从中提取关键数据，并进行归纳总结。\n\n首先看投资规模部分。2015年百强企业对外……\n中国百强农业对外投资企业在投资规模、区域分布与行业结构上的显著特征及其反映的农业“走出去”战略优先导向如下：\n\n---\n\n### 一、显著特征\n1. **投资规模集中化……"| ### 多智能体检索增强 当前，检索增强（RAG）已经成为大语言模型的领域应用不可或缺的一环，然而，当前针对领域专业文献（数据论文）的检索增强仍存在局限性。我们推出了一套多智能体检索增强框架，针对知识库构建、数据来源、检索效率等方面进行了优化。 ![rag-workflow](./images/RAG-workflow.png) ## 模型及数据使用 ### 模型获取和使用 司农大语言模型1.0版本已经在魔搭社区开源，目前我们开源了8B和32B两种参数规模的模型，任何人均可直接下载和部署该模型。 |模型名称|开源地址| |:---:|:---:| |Sinong1.0-8B|[ModelScope](https://modelscope.cn/models/NAULLM/Sinong1.0-8B)| |Sinong1.0-32B|[ModelScope](https://modelscope.cn/models/NAULLM/Sinong1.0-32B)| ||| ### 数据获取和使用 如果您需要使用本研究的基础或过程数据，可以通过邮箱(llm4cca@njau.edu.cn)与我们取得联系，我们期待与您一起探索大语言模型下的智慧农业路径。 ## 研发团队 司农大模型由南京农业大学、南京理工大学两所高校的跨学校团队共同研发 * 南京农业大学团队：**王东波**、赵志枭、刘瑞麟、杨帆、齐月、庞蔚淇、杨俊羿、李萱、周倩、魏齐治、武瑞峰、林森、张宏敏、潘梦菲、陆琪 * 南京理工大学团队：**沈思**、**朱丹浩** ## 特别声明 司农大语言模型基于大规模农业领域数据进行训练，我们已通过多种技术手段对数据进行了清洗与筛选。然而，受大语言模型自身架构特点所限，生成内容中仍可能出现不准确或失实的“幻觉”现象。因此，在使用本模型过程中，请您务必对生成内容进行审慎甄别，避免因盲目采纳AI生成信息而导致任何形式的损失。 使用司农大语言模型时，您应严格遵守中华人民共和国相关法律法规。在任何情况下，我们均不对因使用本模型或其输出内容所引发的任何损害（无论其成因或形式）承担责任，包括但不限于直接、间接、特殊或附带损害。