司农 ： 南京农业大学开源的农业领域大模型

AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。

主要介绍

司农（Sinong）是南京农业大学于2026年1月发布的国内首个面向通用农业领域的开源垂直大语言模型，也是该校主导研发的首个农业大模型。其命名取自中国古代财政与农业管理官职体系，寓意传承农耕文明、赋能现代科技。该模型依托南京农业大学深厚的农业学科底蕴，构建了覆盖八大核心学科的农业专属语料库，旨在解决通用大模型在农业场景中知识滞后、事实性错误等问题，推动农业AI从实验室走向田间地头。

功能特点

1. 多学科知识融合：整合动物科学、作物育种、植物保护、农业经济管理等八大领域数据，涵盖近9000册专业书籍、24万余篇学术论文及近2万份政策标准，形成超40亿token的农业知识体系。
2. 精准检索增强：通过多智能体检索增强框架（MARAG），融合思维链推理、上下文动态引用、农业术语实体识别等技术，实现专业知识精准调用。例如，回答“东北黑土区有机肥施用最佳配比”时，可结合土壤类型、气候条件及政策补贴给出可执行建议。
3. 双版本开源适配：提供8B（轻量版）和32B（高性能版）两种参数版本，支持从手机端APP到科研实验室的多场景部署。

优缺点

• 优点：
  • 专业性强：农业问答准确率较通用模型提升超62%，政策解读与技术推荐一致性达91.3%。
  • 开源生态完善：代码、训练脚本、评估数据集全公开，配套中文使用指南和微调教程，降低二次开发门槛。
  • 场景覆盖广：支持科研、教育、生产全链条应用，如基层农技站的“田间问答助手”和智慧温室的“蔬菜病害诊断系统”。
• 缺点：
  • 复杂任务局限：面对极端复杂或跨学科任务时，性能仍弱于千亿级通用模型。
  • 数据依赖性：部分推理需依赖外部数据库或实时数据接口。

如何使用

1. 选择版本：根据需求下载8B（适配边缘设备）或32B（面向深度研发）版本。
2. 部署环境：
   • 本地部署：准备支持CUDA的GPU设备，安装Python 3.10+及依赖库。
   • 云端使用：通过魔搭社区或GitHub直接调用在线API。
3. 配置任务：
   • 文本交互：输入农业问题（如“水稻抽穗期遇低温怎么办”），模型生成防治方案与气象预警。
   • 政策解读：上传地方农业文件，模型提取关键条款并分析实施影响。
4. 结果输出：获取结构化报告或语音反馈，支持导出为PDF/JSON格式。

框架技术原理

司农采用“基础模型+检索增强”双轮驱动架构：

1. 基础模型：基于Transformer结构，通过农业领域数据微调优化参数，提升专业知识理解能力。
2. 检索增强框架：
   • 知识库构建：将语料库转化为向量数据库，支持快速相似性搜索。
   • 智能查询改写：将用户问题转化为符合农业术语规范的检索语句。
   • 混合检索策略：结合关键词匹配与语义向量检索，提高知识召回率。

创新点

1. 农业专属知识体系：首次构建覆盖全产业链的农业垂直语料库，解决通用模型“一本正经地胡说八道”问题。
2. 多智能体协同推理：通过思维链引导模型逐步拆解复杂问题，如将“如何防治小麦赤霉病”分解为“病原菌特性→传播途径→防治方法”三步推理。
3. 人工校验机制：对关键知识点进行三轮交叉验证，显著降低事实性错误率。

评估标准

1. 准确率：在农业问答基准测试中得分较通用模型提升超62%。
2. 时效性：政策解读任务中，90%以上回答引用近3年内发布的文件。
3. 易用性：基层农技人员通过30分钟培训即可掌握基础操作。
4. 硬件效率：8B版本支持在单卡RTX 3090上运行，推理延迟低于1秒。

应用领域

1. 科研辅助：自动生成文献综述、提取实验数据关键指标。
2. 教育工具：支持农业院校的虚拟实验室建设，如模拟作物生长环境。
3. 生产指导：为农户提供实时病虫害诊断、施肥方案推荐。
4. 政策分析：评估地方农业政策对产业链各环节的影响。

项目地址

• 魔搭社区：https://modelscope.cn/organization/NAULLM
• GitHub：https://github.com/njauzzx/Sinong