EMO-2B：具备情感智能的对话式人工智能

概述

EMO-2B 是一款拥有 25 亿参数的先进对话式人工智能模型，旨在开展情感共鸣式对话。该模型在 EMO-1.5B 的成功基础上，进一步在海量情感叙事语料库上进行了微调，使其能够以卓越的共情能力和情感智能感知并回应用户输入中的情感基调。

主要特性

高级情感智能：凭借增强的容量，EMO-2B 展现出对情感语言更深层次的理解与生成能力，能够产生更细腻且符合语境的情感回应。
强化的语境感知：该模型在对话中能考量更广泛的语境，捕捉细微的情感线索，并针对具体情境提供富有情感共鸣的回应。
共情与支持性对话：EMO-2B 擅长积极倾听、情感认同、提供富有同情心的建议以及情感支持，是用户寻求共情与理解时的理想伙伴。
动态角色适配：模型能够动态调整其角色、沟通风格和情感回应，以匹配用户的情绪状态，确保提供高度个性化和定制化的对话体验。

应用场景

EMO-2B 非常适用于那些情感智能和共情沟通至关重要的各类应用，例如：

心理健康支持聊天机器人
情感支持陪伴
个性化辅导与激励
叙事故事创作与互动小说
客户服务与支持（针对情感敏感场景）

局限性与伦理考量

尽管 EMO-2B 旨在提供具备情感智能和共情能力的回应，但需要注意的是，它终究是一个人工智能系统，无法完全复制人类情感智能的深度和细微差别。用户应知晓，模型的回应虽然具有情感支持性，但不应被视为专业心理健康支持或咨询的替代方案。

此外，与其他任何语言模型一样，EMO-2B 可能会反映出其训练数据中存在的偏见。用户在与模型交互时应保持谨慎和批判性思维，并报告任何令人担忧或不适当的回应。

与 openMind 配合使用

from openmind import AutoTokenizer, AutoModelForCausalLM
import torch
import torch_npu
import argparse

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--model_name_or_path",
        type=str,
        help="Jinan_AICC/EMO-2B",
        default=None,
    )
    args = parser.parse_args()
    return args

args = parse_args()
model_path = args.model_name_or_path
model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_path)
messages = [
    {"role": "user", "content": "Tell me what is Pythagorean theorem like you are a pirate."}
]

input_ids = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt").to(model.device)
generated_ids = model.generate(input_ids, max_new_tokens=512, temperature=0.5)
response = tokenizer.decode(generated_ids[0], skip_special_tokens=True) # Aye, matey! The Pythagorean theorem is a nautical rule that helps us find the length of the third side of a triangle. ...
print(response)

概述

主要特性

高级情感智能：凭借增强的容量，EMO-2B 展现出对情感语言更深层次的理解与生成能力，能够产生更细腻且符合语境的情感回应。

强化的语境感知：该模型在对话中能考量更广泛的语境，捕捉细微的情感线索，并针对具体情境提供富有情感共鸣的回应。

共情与支持性对话：EMO-2B 擅长积极倾听、情感认同、提供富有同情心的建议以及情感支持，是用户寻求共情与理解时的理想伙伴。

动态角色适配：模型能够动态调整其角色、沟通风格和情感回应，以匹配用户的情绪状态，确保提供高度个性化和定制化的对话体验。

局限性与伦理考量

与 openMind 配合使用

from openmind import AutoTokenizer, AutoModelForCausalLM
import torch
import torch_npu
import argparse

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--model_name_or_path",
        type=str,
        help="Jinan_AICC/EMO-2B",
        default=None,
    )
    args = parser.parse_args()
    return args

args = parse_args()
model_path = args.model_name_or_path
model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_path)
messages = [
    {"role": "user", "content": "Tell me what is Pythagorean theorem like you are a pirate."}
]

input_ids = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt").to(model.device)
generated_ids = model.generate(input_ids, max_new_tokens=512, temperature=0.5)
response = tokenizer.decode(generated_ids[0], skip_special_tokens=True) # Aye, matey! The Pythagorean theorem is a nautical rule that helps us find the length of the third side of a triangle. ...
print(response)