from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

# Chargement hiérarchique: Mistral → KIBALI Phase 1 → Expert 4
base_model = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mistral-7B-Instruct-v0.2",
    device_map="auto",
    torch_dtype=torch.float16
)

# Appliquer KIBALI Phase 1
kibali_base = PeftModel.from_pretrained(base_model, "BelikanM/kibali-instruct-7b-lora")

# Appliquer Expert 4
model = PeftModel.from_pretrained(kibali_base, "BelikanM/kibali-expert4-multi-format")
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2")

# Inférence
prompt = "[INST] Explique les différences entre les formats ERT .dat [/INST]"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_length=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

🌟 Écosystème KIBALI

Modèle de base: KIBALI Phase 1 (BelikanM/kibali-instruct-7b-lora)
Méthode: LoRA additionnel léger (r=2)
Paramètres entraînables: 35,979,264 (0.4944%)
Dataset: 9 exemples basés sur des fichiers ERT réels
Formats: PROFIL AMAEL.dat (fréquence) + PROFIL AMAEL_xyz.dat (xyz)

Cet expert fait partie de l'écosystème KIBALI hiérarchique:

Mistral-7B (13GB)
    ↓
KIBALI Phase 1 (base scientifique) +161MB
    ↓
    └──> Expert 4: Multi-format .dat +15MB ← ICI

Avantage: Architecture hiérarchique efficace !

📄 Licence

Apache 2.0 - Identique au modèle de base Mistral

👨‍🔬 Auteur

BelikanM - Écosystème KIBALI pour la géophysique appliquée