commodities-crop-analyst-7b

Tool-calling LoRA на базе Qwen2.5-7B-Instruct: отвечает на вопросы о предложении сельхозкультур только из данных, которые сам запрашивает. В репозитории лежат USDA CDL по округам (11 штатов, 2018–2024), Census of Agriculture 2022, урожайность IBGE по Сан-Паулу, даты отчётов USDA и фьючерсы на сахар, апельсиновый сок, кукурузу, сою, пшеницу и хлопок. Модель не называет число, которое не вычислила.

⚙ Ключевые особенности

• ⚙ Сама выбирает инструмент и аргументы, а под каждым ответом показывает точный вызов и результат — числа можно проверить.
• 🌱 Считает площади, изменения, рейтинги и сравнения штатов по CDL; валидирует модель сахарного тростника по округам против CDL и census.
• 💰 Делает price_forecast: сезонный дрейф и конус волатильности с 80% интервалом; ошибка бэктеста 6–11% на 30 дней, покрытие интервала 78–84%. Направленного преимущества нет, и модель это проговаривает.
• 🪴 Строит карты вероятности сахарного тростника для 20 округов LA/FL и графики цен; прогноз расширения посевов в Луизиане — из связанной модели sugarcane-forecast-v2.
• ❕ Уточняет год или место, если их не хватает, и прямо говорит, когда вопрос вне данных.

🧩 Пример

pip install gradio requests pandas pyarrow rasterio matplotlib joblib scikit-learn
hf download edoggy/commodities-crop-analyst-7b --local-dir commodities-crop-analyst && cd commodities-crop-analyst
ollama create commodities-crop-analyst -f Modelfile
python runtime.py

Подробнее

На 785 отложенных вопросах: верный инструмент — 95,2–95,6%, точные аргументы — 92,6–92,9%, сломанных вызовов — 0; уточнения/вне данных — 177/177.
Ollama: около 6 ГБ свободной RAM/VRAM. LoRA-адаптер на CUDA: 12 ГБ, 4-bit.
Не торговый инструмент: только США (11 штатов, 2018–2024) и урожайность одного штата Бразилии; нет запасов, спроса, FX и погоды. Изменения площади по округам меньше ~5% — в пределах шума карт; ошибка аргументов ~7%, важные вызовы стоит проверять.
Обучение: QLoRA r=16, 400 шагов, lr 1e-4, одна RTX 5070.