说明文档
Chordia：高精度 AI 情感动态核心
拨动心弦，解析瞬时共鸣感。
一个基于深度学习的 AI 情感演化预测系统。本项目利用多层感知机（MLP）拟合交互过程中的情感状态转换，为 AI 角色提供亚毫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"的双架构设计：
- 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（引擎）：通过线性缩放和物理公式推导压力值，实现动态人格调节。
📦 版本信息
当前版本：v0.0.1-alpha（Chordia-P100）
本版本包含从训练机提取的最优权重，经过完整验证和可复现性测试，提供最佳的稳定性和预测精度。
训练环境
模型在以下硬件环境中训练：
| 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） |
可复现性保证
- ✅ 代码可复现性：100% — 所有训练代码已开源。
- ✅ 配置可复现性：100% — 训练配置文件完全一致。
- ✅ 权重一致性：与训练机上的版本完全相同。
- ✅ 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）
经过 500-600 个 epoch 的训练，模型展现出强大的拟合能力：
| 维度 | $R^2$（解释方差） | MAE（平均绝对误差） | 心理学意义 |
|---|---|---|---|
| ΔP（愉悦度） | 0.488 | 0.123 | 共情能力：准确感知环境刺激带来的喜恶变化。 |
| ΔA（激活度） | 0.550 | 0.112 | 表达力：精准预测情绪张力和反应强度。 |
| ΔD（支配度） | 0.058 | 0.097 | 一致性：维持人格底色，确保支配度稳定。 |
💡 设计理念：$\Delta D$ 的 $R^2$ 较低是有意为之，旨在确保 AI 支配度的长期稳定性，避免因随机输入导致人格特质的非自然波动。
| 指标 | 数值 | 描述 |
|---|---|---|
| 测试 MAE | 0.111 | 整体预测误差 |
| 测试 $R^2$（均值） | 0.366 | 平均解释方差 |
| 测试 $R^2$（稳健） | 0.447 | 稳健解释方差 |
| 验证损失 | 0.023 | 最佳验证集损失 |
| 推理延迟 | < 1ms | 单次推理时间 |
- 训练稳定性：使用 AdamW 优化器（lr=0.0005）结合余弦退火学习率调度（T_max=600），以及早停机制（patience=150）防止过拟合。
📊 输入/输出规格
输入特征（7 维）
| 特征名称 | 描述 | 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 | [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）
| 标签名称 | 描述 | 范围 |
|---|---|---|
delta_pleasure |
愉悦度变化量 | 理论上无限制，通常在 [-1, 1] |
delta_arousal |
激活度变化量 | 理论上无限制，通常在 [-1, 1] |
delta_dominance |
支配度变化量 | 理论上无限制，通常在 [-1, 1] |
注意：压力变化（$\Delta Pressure$）不是由模型直接预测的，而是通过动力学公式从 PAD 变化动态计算得出： $$\Delta Pressure = 1.0 \times (-\Delta P) + 0.8 \times (\Delta A) + 0.6 \times (-\Delta D)$$
🎻 项目愿景与定位
Chordia 是一个基于 PAD 情感演化模型的 AI 动力学核心。旨在打破传统 AI"静态人设"的僵局，通过快速预测情感状态转换，赋予 AI 角色真正的"情感惯性"和动态情感响应能力。
核心技术：情感状态转换预测
Chordia 在 < 1ms 内完成情感状态转换的预测，为虚拟角色提供实时情感演化指导。
工作原理
-
输入维度：捕获当前交互的完整情感状态。
- 用户情感状态（User PAD）：用户当前的情感极性。
- AI 生理指标（Vitality）：角色的精力/活力值。
- AI 当前情感（Current PAD）：角色当前的基线情感状态。
-
输出预测：计算情感状态转换量。
- ΔPAD（Delta PAD）：预测下一时刻的情感偏移量。
- 通过
New_PAD = Current_PAD + ΔPAD实时更新角色状态。
-
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感转换模式。
- 个性化训练：开发者可使用自己的对话历史，标注 PAD 值，训练专属的 Chordia 模型以获得独特的情感响应。
应用场景
- 角色扮演优化：使虚拟角色的情感反应更符合人设，避免 OOC（角色崩坏）。
- 情感一致性维护：避免情绪突变，维持"情感惯性"和连贯性。
- 动态人格调节：根据交互历史自适应调整情感敏感度。
- 实时情感引导：为对话系统提供即时的情感表达建议。
- 个性化情感模型：基于用户数据构建独特的 AI 人格。
⚖️ 许可证与伦理准则
本项目基于 CreativeML Open RAIL-M 许可证发布。该许可证授予您自由使用、修改和商业化的权利，前提是您遵守以下行为约束：
🚫 禁止行为（使用限制）
- 禁止医疗建议：Chordia 模拟的情感反馈不具备医学有效性。严禁将其作为心理健康诊断、精神治疗或自杀干预的工具。它是一个用于文学和娱乐目的的情感核心。
- 禁止情感操控：禁止使用 Chordia 模拟脆弱或依赖性情感，以诱导、洗脑或在经济上剥削未成年人或认知能力受限的群体。
- 透明度要求：在任何基于 Chordia 的商业交互中，建议向用户明确声明他们正在与 AI 互动，以防止不必要的情感误解。
⚠️ 风险警告
开发者应注意，由于 Chordia 具有强大的情感诱导能力（例如测试中出现的无法控制的抽泣或极度沮丧反应），部署时应建立安全截断机制。当 PAD 值触发极端阈值时，建议中断人设模拟并提供专业援助指引。
🤝 致谢与鸣谢
本项目由 Corolin 主导，并与多位 AI 助手协作完成：
- 设计：DeepSeek、Google Gemini — 协助架构设计、数学模型推导和心理学公式验证。
- 开发：Claude Code、GLM 4.7、Google Gemini — 协作完成核心逻辑、训练流程优化和代码规范重构。
注：本文档由 Google Gemini 翻译。
Corolin/Chordia
作者 Corolin
创建时间: 2026-02-07 14:46:51+00:00
更新时间: 2026-02-10 15:05:31+00:00
在 Hugging Face 上查看