Sources: Théorie de la modélisation ERT, algorithmes d'inversion, méthodes numériques
Dataset: 4 exemples spécialisés
Approche: Analyse théorique et méthodologique

📊 Entraînement

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: 4 exemples spécialisés

💻 Utilisation

python

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

# Chargement hiérarchique
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 7
model = PeftModel.from_pretrained(kibali_base, "BelikanM/kibali-expert7-modelisation-numerique")
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2")

# Prêt pour l'expertise spécialisée !

🌟 Écosystème KIBALI

Cet expert complète la spécialisation en modelisation-numerique.

📄 Licence

Apache 2.0 - Identique au modèle de base Mistral

👨‍🔬 Auteur

BelikanM - Écosystème KIBALI pour la géophysique appliquée