license: creativeml-openrail-m
library_name: pytorch
tags:
- roleplay
- emotional-intelligence
- pad-model
- character-logic
- emotional-dynamics
- conversational-ai
- agents
- empathy
- personality-simulation
- chinese
- fine-tuned
metrics:
- mae
- r2
pipeline_tag: tabular-classification
弦音 (Chordia): 高精度 AI 情感动力学内核
拨动心智的弦，解析共鸣的瞬感。
基于深度学习的 AI 情绪演化预测系统。本项目通过多层感知机（MLP）拟合交互过程中的情绪状态迁移，为 AI 角色提供亚秒级的生理与情感响应能力。
🎯 核心架构：感知与逻辑解耦
本项目采用“核心感知预测 + 动态逻辑映射”的二元架构：
- 感知内核 (MLP): 专注于预测核心情感极性（PAD）的变化趋势。
- 运行时映射 (Engine): 通过线性缩放（Scale）和物理公式派生压力值（Pressure），实现人格的动态调节。
📦 版本信息
当前版本: v0.0.1-alpha (Chordia-P100)
此版本是从我的训练机上提取的最优权重，经过充分验证和复现测试，具备最佳的稳定性和预测精度。
训练环境
本模型在以下硬件环境中完成训练：
| 组件 | 规格 |
|---|---|
| GPU | NVIDIA Tesla P100-PCIE-16GB (16GB HBM2) |
| CUDA 版本 | 12.8 |
| 驱动版本 | 570.169 |
| 计算能力 | 6.0 (Pascal 架构) |
复现保证
- ✅ 代码复现率: 100% - 所有训练代码已开源
- ✅ 配置复现率: 100% - 训练配置文件完全一致
- ✅ 权重一致性: 与训练机版本完全一致
- ✅ 性能验证: 在标准测试集上达到相同指标
- 📄 训练日志:
chordia_v0.0.1-alpha_training.log- 训练摘要（1.7KB）chordia_v0.0.1-alpha_training_full.log- 完整训练记录（604KB）
🚀 关键性能指标 (Benchmark)
在经过 500-600 轮配置训练后，模型展现出了良好的拟合能力：
| 维度 | $R^2$ (解释率) | MAE (平均绝对误差) | 心理学意义 |
|---|---|---|---|
| ΔP (Pleasure) | 0.488 | 0.123 | 共情力：准确感知环境刺激带来的好恶 |
| ΔA (Arousal) | 0.550 | 0.112 | 表现力：精准预测情绪张力与反应烈度 |
| ΔD (Dominance) | 0.058 | 0.097 | 一致性：维持人格底色，确保支配度稳定 |
💡 设计哲学: $\Delta D$ 的低解释率旨在确保 AI 支配度的长程稳定性，避免人格特质随随机输入产生不自然波动。
| 指标 | 值 | 说明 |
|---|---|---|
| 测试 MAE | 0.111 | 整体预测误差 |
| 测试 $R^2$ (均值) | 0.366 | 平均解释率 |
| 测试 $R^2$ (鲁棒) | 0.447 | 鲁棒解释率 |
| 验证损失 | 0.023 | 最佳验证集损失 |
| 推理延迟 | < 1ms | 单次推断耗时 |
- 训练稳定性: 采用 AdamW 优化器（lr=0.0005）结合余弦退火学习率调度（T_max=600），早停机制（patience=150）防止过拟合。
📊 输入输出规格
输入特征 (7维)
| 特征名 | 说明 | 范围 |
|---|---|---|
user_pleasure |
用户愉悦度 | [-1.0, 1.0] |
user_arousal |
用户激活度 | [-1.0, 1.0] |
user_dominance |
用户支配度 | [-1.0, 1.0] |
vitality |
AI 角色生理活力值 | [0.0, 100.0] |
current_pleasure |
AI 当前愉悦度 | [-1.0, 1.0] |
current_arousal |
AI 当前激活度 | [-1.0, 1.0] |
current_dominance |
AI 当前支配度 | [-1.0, 1.0] |
输出预测 (3维)
| 标签名 | 说明 | 范围 |
|---|---|---|
delta_pleasure |
愉悦度变化量 | 理论无限制，通常 [-1, 1] |
delta_arousal |
激活度变化量 | 理论无限制，通常 [-1, 1] |
delta_dominance |
支配度变化量 | 理论无限制，通常 [-1, 1] |
注：压力变化量 ($\Delta Pressure$) 不由模型直接预测，而是根据 PAD 变化通过动力学公式动态计算： $$\Delta Pressure = 1.0 \times (-\Delta P) + 0.8 \times (\Delta A) + 0.6 \times (-\Delta D)$$
🎻 项目愿景与定位
Chordia（弦音）是一个基于 PAD 情绪演化模型 的 AI 动力学内核。它旨在打破传统 AI "静态人设"的僵局，通过快速预测情绪状态转移，让 AI 角色具备真实的"情感惯性"和动态情绪响应能力。
核心技术：情绪状态转移预测
Chordia 通过深度学习模型，在 < 1ms 内完成情绪状态转移的预测，为虚拟角色提供实时的情绪演化指导。
工作原理
输入维度：捕捉当前交互的完整情绪状态
- 用户情绪状态 (User PAD): 用户当前的情绪极性（愉悦度/激活度/支配度）
- AI 生理指标 (Vitality): 角色的体力/活力值
- AI 当前情绪 (Current PAD): 角色当前的基准情绪状态
输出预测：计算情绪状态转移量
- ΔPAD (Delta PAD): 预测下一时刻的情绪偏移量
- 通过
New_PAD = Current_PAD + ΔPAD实时更新角色状态
训练数据来源：
- 当前版本：基于 AI 合成数据训练，模拟多样化的交互场景和情绪转移模式
- 个性化训练：开发者可以使用自己的对话历史，通过 PAD 标注后训练专属的 Chordia 模型，实现"千人千面"的个性化情绪响应
应用场景
- 角色扮演优化：让虚拟角色的情绪反应更贴合人设，避免 OOC（Out of Character）
- 情感一致性维护：避免情绪突变，保持"情感惯性"和连贯性
- 动态人格调整：根据交互历史自适应调整情绪敏感度
- 实时情绪引导：为对话系统提供即时的情绪表达建议
- 个性化情感模型：基于用户数据训练专属 Chordia，打造独一无二的 AI 人格
⚖️ 开源协议与道德守则
本项目采用 CreativeML Open RAIL-M 协议发布。该协议赋予你使用、修改和商业化的自由，但你必须遵守以下行为约束：
🚫 禁止行为 (Use Restrictions)
- 严禁用于心理医疗建议：Chordia 模拟的情绪反馈不具备医学有效性。严禁将其作为心理健康诊断、精神疾病治疗或自杀干预工具。它是一个文学与娱乐性质的情感内核。
- 禁止情感操纵：禁止利用 Chordia 模拟的脆弱或依赖情绪对未成年人或认知受限群体进行诱导、洗脑或经济榨取。
- 透明性要求：在任何基于 Chordia 的商业交互中，建议向用户明示其互动对象为 AI，以防止造成不必要的情感误导。
⚠️ 风险提示
开发者需知晓，由于 Chordia 具备极强的情感诱导能力（如在测试中表现出的泣不成声或极度失落反应），在部署时应建立安全熔断机制。当 PAD 数值触发极端阈值时，建议中断人设模拟并提供专业援助引导。
🤝 协作与致谢 (Credits)
本项目由 Corolin 主导开发，并由多位人工智能助手协同完成：
- 设计协作 (Design): DeepSeek, Google Gemini —— 协助进行架构设计、数学模型推演及心理学公式验证。
- 开发协作 (Development): Claude Code, GLM 4.7, Google Gemini —— 协作编写核心逻辑、优化训练流程及重构代码规范。
拨动心智的弦，解析共鸣的瞬感。