AURA 模型
AURA 是 KOPENS 自主研发的工业 AI 模型系列。它是 PlantPulse AI 生成答案时真正进行思考的那一层——读取设备数据、调用工具、用现场的语言作答。
通用模型对世界了解很多,但对你工厂里的压缩机一无所知。它乐于解释轴承是什么,也乐于编造一个根本没测过的振动值。在工厂里,危险的是后者。AURA 的训练方向正好相反——从依据出发作答,没测过的就说「未测量」。
语言赛道的三个模型
| 模型 | 规模 | 职责 | 当前状态 |
|---|---|---|---|
| AURA-Lite | 约 26B(MoE,激活约 4B · 上下文 256K · 兼具图像输入) | 诊断 · 计算 · 工具调用 · 报告撰写 | 已投入产品运行 |
| AURA-Embedding-4B | 4.0B | 从作业规程 · 规格 · 故障履历中检索 | 已投入产品运行 |
| AURA-Reranker-0.6B | 0.6B | 从检索结果中挑出真正能回答问题的那一条 | 已投入产品运行 |
三者彼此咬合。嵌入模型在文档中撒下大网,重排模型挑出真正回答问题的段落,AURA-Lite 读取这些内容并调用所需工具写出答案。
网关对外提供的不是基座模型,而是 KOPENS 训练后的版本。不过性能数值暂不公布——它们刚刚进入产品路径,我们会在该路径上重新测量后,以技术白皮书修订版发布。不说没测过的数字,是这个产品的规矩。
波形被当作「另一类对象」处理——时序赛道(研究中)
语言模型擅长解释为什么,但要从秒级涌入的波形中找出哪里异常,则是性质完全不同的工作。因此波形一侧由百万参数级的独立模型系列负责——小到无需 GPU 即可运行,可以部署到 Edge 上,按现场分别调校的成本也几乎可以忽略。
目前尚未纳入产品路径。 在价值被证明之前不会纳入。
有些场景不调用模型反而更好。 曾有这样的情况:仅用统计方法观察设备相对于日常基线的偏差,就足以区分出异常区间。这类区间不用模型来解——区分「该用模型的地方」和「统计就够用的地方」,优先级高于「把大模型做得更大」。
什么才算「工业」AI
它做计算——不做估摸。 轴承故障频率(BPFO/BPFI)、L10 寿命、NPSH 余量、ASME 筒体壁厚、孔板流量、OEE、过程能力、焊接热输入。这些值来自公式。评分也按公式核对——不与其他模型的意见作比较。
它区分 0 和「不知道」。 「本周工单 0 件」是测量结果。「CMMS 连接中断」不是测量结果。若把后者当作前者上报,运营人员就会把根本没人查看过的设备当成「正常」。当数值未被采集时,AURA 会明确说明这一事实。
它按故障机理而非字面词汇来推断。 温度升高的原因至少有四种——轴承磨损、润滑不足、冷却失效、电气故障。这四者靠伴随变化的量来区分:振动是否先于温度上升,流量是否先下降,电流是否同步上升。AURA 学的是这种结构,而不是「症状 → 标准答案」的配对。
它守住自己的本分。 设备 · 工艺 · 质量 · 安全。默认使用韩语,按要求可用英语作答,政治与外交话题置于范围之外。这不是审查,而是工厂助手应有的边界。
如何部署
AURA 模型以量化检查点(NVFP4)形式提供,运行在与平台其余部分相同的 OpenAI 兼容端点之后。检索类模型在版本更迭时保持嵌入维度不变,因此更换模型后无需重建向量索引。
没有任何数据外流。模型在客户的设备上,针对客户的数据运行。
如何测量
工业 AI 没有排行榜,因此 KOPENS 自建了测量工具。不把评分交给其他模型,而是以公式 · 工具 schema · 运行记录为准进行机械化比对。
- 工业计算 —— 30 个工程公式系列。其中七个完全排除在训练之外,用以检验模型是背下来的还是真会算。
- 工具调用 —— 用运行中平台的真实工具 schema,检查选了哪个工具、参数是否正确、能否串联多个步骤。
- 坚守依据 —— 作答时是否只使用了给定上下文中确实存在的内容。
- 现场诊断(158 题) —— 以某台真实压缩机 6 个月的实测数据和已记录的故障为准。五个维度中,唯有这一项的标准答案来自我们之外。 其中混入了**「困难的正常」——看似异常实则正常的高负荷区间。误报与漏报分开计数**。因为变成「狼来了」的助手会被关掉,而被关掉的助手什么也发现不了。
想了解更多
面向技术评审者的 AURA 技术白皮书(A4 20 页,韩/英)。其中记录了训练数据的构建方法、 教授故障机理的配方与量化方案、评分规则如何机械化、现场诊断题目的筛选标准, 以及评审者如何用同样的方式复现测量。
许可
导入条件由 KOPENS 按合同逐项协商。开源组件的许可与声明随模型交付物一并提供。