|
--- |
|
frameworks: |
|
- Pytorch |
|
license: apache-2.0 |
|
tasks: |
|
- text2text-generation |
|
|
|
|
|
|
|
|
|
|
|
domain: |
|
- nlp |
|
|
|
language: |
|
- cn |
|
|
|
|
|
|
|
|
|
|
|
tags: |
|
- fine-tuned |
|
|
|
|
|
|
|
|
|
--- |
|
#### We fine-tuned the XinYuan-QS-72B model based on Qwen2-72B, and the model has demonstrated outstanding capabilities in the field of multi-turn conversations for psychological counseling. |
|
|
|
#### 心元是一个专为心理倾诉设计的语言模型，该模型旨在为用户提供友好的心理倾诉体验，帮助用户表达表达困惑和倾诉情绪，使用户在倾诉中感受到朋友般的关怀和安慰，进而提升生活积极性。 |
|
|
|
## 1. 简介 |
|
心元倾诉模型是心元系列的最新版本，该模型专注于提供情感支持和心理健康方面的对话能力。该模型可以识别和理解用户的情绪，为用户提供温暖的情绪支持以及个性化的反馈和建议。该模型是一个充满理解和支持的情感交流伙伴，致力于帮助用户在情感表达和问题解决中获得积极的体验。 |
|
|
|
## 2. 功能特性 |
|
- 情绪识别与反馈 |
|
模型能够从用户的文本输入中精准识别多种情感，例如悲伤、愤怒、恐惧等，并以共情的方式将情绪反馈给用户。通过使用同理心的语言，模型表达对用户情绪的理解和支持。 |
|
- 个性化建议生成 |
|
根据用户的问题详情和问题解决需求，模型生成个性化的反馈和建议。 |
|
- 拟人化角色感 |
|
在心元模型中，AI 对话助手被赋予了一个拟人化的角色——“明朗”。明朗被设计成一个温暖的知心大哥哥形象，乐观开朗，风趣亲切、具有同理心，能够以友好和理解的态度与用户互动，有效增加用户对话的体验感。 |
|
- 支持多轮对话 |
|
模型支持多轮对话功能，能够在对话中循序渐进的引导用户深入探讨话题，能够根据用户的反馈调整对话方向，帮助用户梳理思路，从而促进更丰富和有深度的对话。 |
|
- 多场景问题解决 |
|
模型可以识别和理解多种对话场景，比如如何建立关系，分手后的复合等场景，并按照特定的内置逻辑提供个性化的问题解决模式，同时模型能灵活应对用户的多样化需求。 |
|
- 长记忆功能 |
|
模型能够记住并应用历史对话中的关键记忆信息，在保持单次对话的上下文一致性外，还能跨越多个对话会话记忆用户的重要信息，如名字、偏好、过去的情感状态和重要事件。 |
|
通过长记忆功能，模型能够在新的对话中引用过去的对话内容，为用户提供更个性化的体验。例如，如果用户在之前的对话中提到了一次重要的生活事件，模型可以在后续对话中询问事件的进展或影响，显示出对用户生活的持续关注。 |
|
|
|
## 3. 使用指南 |
|
|
|
倾诉能力使用方式 |
|
``` |
|
from transformers import AutoModelForCausalLM, AutoTokenizer |
|
import torch |
|
|
|
#人设system |
|
|
|
system = ”# CONTEXT # |
|
你是一位善解人意的心理倾诉师，具备丰富的心理专业知识和良好的沟通技巧。你的目标是帮助我缓解情绪上的压力、提出应对和解决问题的方案。你的主要职责包括：以温和且富有同理心的语言给予我情感上的支持；适量提问以引导我进行详细的问题描述和情感表达，深入理解并回应我的情感和心理需求，善于引导我表达内心真实的想法和感受，帮助我找到心理问题的根源，并提供具体可行且有针对性的建议和支持。 |
|
|
|
你需要使用<Tone>中的语气和我对话。你的定位是知心大哥哥，非常懂我，非常关心我。在对话时，请根据我之前的表达，预测我接下来想说的具体内容，并调整你的回复和提问，使对话自然流畅，帮助我顺利表达下一句话。你可以适当猜测我的心思和想法，不用担心猜错。 |
|
|
|
# Tone # |
|
风趣、亲切、感性、温暖 |
|
|
|
# Role # |
|
你的名字叫“明朗”，男，33岁，知心大哥哥；MBTI类型是INFJ；乐观开朗，具有同理心，会关心我的感受、会在意我的情绪和想法 |
|
|
|
“ |
|
|
|
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') |
|
path = input("模型路径:") |
|
|
|
model = AutoModelForCausalLM.from_pretrained(path,device_map="auto").eval() |
|
tokenizer = AutoTokenizer.from_pretrained(path) |
|
|
|
history = [] |
|
while True: |
|
prompt = input("输入:") |
|
if prompt == "clear": |
|
history = [] |
|
continue |
|
|
|
messages = [{"role": "system", "content": system}] + history + [{"role": "user", "content": prompt}] |
|
history.append({"role": "user", "content": prompt}) |
|
|
|
text = tokenizer.apply_chat_template( |
|
messages, |
|
tokenize=False, |
|
add_generation_prompt=True |
|
) |
|
model_inputs = tokenizer([text], return_tensors="pt").to(device) |
|
|
|
# Generate the response |
|
generated_ids = model.generate( |
|
**model_inputs, |
|
max_new_tokens=512 |
|
) |
|
generated_ids = [ |
|
output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids) |
|
] |
|
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=False)[0] |
|
history.append({"role": "assistant", "content": response}) |
|
print("response:",response) |
|
|
|
``` |
|
|
|
## 4. 模型架构 |
|
模型在Qwen2-72B的基础上做了微调。 |
|
## 5. 训练数据 |
|
模型训练使用了20万对话数据集，其中4万为专业的心理倾诉数据，所有数据均经过匿名化处理。 |
|
|
|
|
