Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

机器之心编辑部发布

聆心智能超拟人模型CharacterGLM升级,助力AI实现「走心」突破

与 “屈原” 对话,聊聊他胸怀大志却遭受贵族排挤的一生;与 “中二君” 聊天,感受 “使出全力让世界毁灭” 却不屑于写数学作业的 “中二青春”;与 “心理咨询师” 对话,放下顾虑展示自己在亲情、爱情中迷茫无助的一面……

CharacterGLM 超拟人大模型在产品端的应用

7 月 25 日,北京聆心智能科技有限公司(以下简称 “聆心智能”)发布 CharacterGLM 超拟人大模型,让 AI 有自己的 “个性” 和 “情感”,推动 AI 在教育、陪伴、游戏、娱乐等情感领域释放价值,更 “走心” 的服务人类社会。

随着 ChatGPT 的问世,生成式 AI 技术进入了全新的发展阶段,大模型作为底层支撑正在吸引越来越多的头部厂商和创业者投入其中。百 “模” 大战依然火热,针对不同领域的大模型产品层出不穷。

随着大模型生态应用愈发多样,AI 产品越来越深入大众日常生活,AI 最终服务于人,与人类进行交互。但当前对大模型的评测与优化大多集中在 “智商” 维度,AI 产品更多集中在功能任务型,不够拟人、不够 “有情商” 的行业痛点暴露的越来越明显。

针对这一痛点,聆心智能依托于团队多年来在大模型 “共情” 能力方面的研究成果,自研 “超拟人大模型”,除了完成 “助理”“百科” 等功能型任务外,“超拟人大模型” 能提供千人千面的 AI 形象,满足用户聊天、陪伴的情感需求,打破了 AI 大模型与人类的情感交流困难的现状。

此次,聆心智能延续这一路线持续深耕,与 AI 大模型公司智谱 AI 深度合作,基于 GLM 基座深度优化升级,对 “超拟人大模型” 进行了全新升级,发布 CharacterGLM 超拟人模型。CharacterGLM 超拟人大模型具备六大系统 —— 人格、知识、能力、社会化、成长性、价值观。

大模型中的 “六边形战士”,实现 AI “有心”

大模型中的 “六边形战士” CharacterGLM 超拟人大模型,首先能呈现出丰富的立体化 “人格”,展现角色的态度、性格、观点、语言风格等;“知识” 方面,除了接入互联网知识检索外,CharacterGLM 超拟人大模型还能够通过实时抽取用户和 bot 侧信息保存到私有化数据库形成 “角色” 记忆,根据过往对话内容和角色信息生成更契合角色表现的回复,避免了对话过程中的 “灾难性遗忘”;CharacterGLM 超拟人大模型的 “能力” 包括符合人类逻辑的思考能力和非语言信息表达能力,兼顾思考深度与动作表情等多样表现,改善 “枯燥无味” 的聊天感受;借助 COAI(清华大学交互式人工智能课题组)多年的共情对话经验,CharacterGLM 超拟人大模型还能实现 “千人千面” 的 “社会化”,根据用户实时情绪产生恰当的共情回复;CharacterGLM 超拟人大模型还能够让 AI 角色得到迭代成长;同时回复更符合人类 “价值观” 和道德伦理。

CharacterGLM 超拟人大模型六大系统

基于这六大系统优势,CharacterGLM 超拟人大模型能够使得 AI 有自己的 “个性” 和 “情感”,在交流过程中呈现出丰富的立体化 “人格”,不局限表面上 “机械性” 话术,具有更符合人类逻辑的思考能力、动作表情等非语言信息表达能力、角色的延续性记忆,根据用户实时情绪产生恰当的 “共情” 回复,基于自己的性格人设给予富有个性但不失温度的回答,改善 “枯燥无味” 的聊天感受,让 AI “有温度”。

兼顾高效低成本,CharacterGLM 技术优势显现

CharacterGLM 超拟人大模型超群的 “能力”,源自其所具备的行业领先技术优势。

性能方面,依托于持续的技术积累,聆心智能基于最新一代 GLM 大模型基座进行了模型的构建升级,在预训练、微调和强化学习的各个阶段进行了优化,实现更优性能。

相比于聆心智能此前全自研的大模型 OPD,CharacterGLM 继承了 GLM 基座模型的优势技术,具有更高效率的编码,更长的上下文(Context Length,最大可达 32K),更高效率的训练和推理速度,等等。

得益于聆心智能长期以来积累的海量的场景化、角色化和专业化的多轮上下文对话数据,以及高效率、全流程的大模型工程能力,CharacterGLM 超拟人大模型以极短的时间和极高的效率训练出来,并经过了调优和系统化的测评。聆心智能采用目前流行的针对大模型的系统化人机测评方法,通过数百位志愿者的单盲测试,给出了一整套对商业场景应用颇具参考价值的测评结果,这里面就包括 ELO 测评、维度测评和综合用户体验测评。

ELO 评测情况

在 ELO 测评中,CharacterGLM 超拟人大模型超过 Claude、GPT-4 成为积分榜第一名;在生成质量、角色一致性、有趣性、安全性、幻觉的维度测评中,CharacterGLM 超拟人大模型的角色一致性、趣味性居榜首,安全性仅次于 GPT-4,生成质量与 GPT-4 相当;在用户体验测评中,CharacterGLM 超拟人大模型的综合评分最高,是最受用户欢迎并且分享意愿度最高的大模型。

不止于聊天,“温暖” AI 驶入新蓝海

此次聆心智能全面升级 “超拟人大模型”,目的在于提升 AI 在拟人、个性化和 “有温度” 方面的能力,能够与人类实现 “无障碍” 交流,服务于人类需求,尤其是在情感、陪伴等方面的感性需求,从而推动 AI 应用和生态进入一片新的蓝海。

为此,聆心智能基于 CharacterGLM 研发了全新产品 AiU,目前正在内测中。AiU 是一个连接人与 AI 的兴趣互动社区。在社区内,用户可以根据个人偏好创造不同性格与人设的 AI 角色,与之实现高度自由的互动聊天,实现 “Ai by U,Ai for U,Ai with U(AI 由你创造,AI 因你而在,AI 伴你同行)”,不仅获得工具性支持,更能感受精神上的陪伴,共同创造有爱的 “乌托邦”。

AiU 社区内的 AI 角色实时对话

除了产品之外,聆心智能在不断探索多样化的商业模式,拓展 “超拟人大模型” 在教育、虚拟陪伴、游戏娱乐等领域的独特价值。在数字人方面,聆心智能和数字栩生形成了长期合作,将 CharacterGLM 大模型与数字栩生自研的 AIGC 数字人智能交互系统相结合,让数字人具备更好的情绪价值,提供更多的情感交流,真正成为人类的贴心朋友。

在儿童益智发展领域,洪恩与聆心智能合作,基于 CharacterGLM 超拟人大模型联合打造洪恩 AI 问答 2.0。该项目有效利用聆心智能在大模型领域的 “技术优势” 和洪恩高度契合用户需求的 “场景优势”,2023 年第一季度已上线,以独特的 IP 角色人设实现 “有温度的交流” 和 “准确的知识引导”,帮助小朋友收获德与智的双面成长。

聆心智能 “超拟人大模型” 已布局领域

聆心智能与芒果 TV 展开合作,通过 API 接口的方式,复刻热播剧《大宋少年志》的 6 位角色并创建群聊,这些角色不仅能够基于剧情和人设自由对话互动,还能让用户参与其中,和任意喜欢的角色进行沟通交流。

当前随着社会发展,人们产生了越来越多样化的情感需求,AI 陪伴领域市场规模潜力巨大。聆心智能 CharacterGLM 超拟人大模型的推出,让 AI 不再 “冰冷”,将在情感领域发挥独特价值。

同时,作为行业领先者,聆心智能与行业伙伴已实现了商业应用的探索,并且取得了初步成果。未来,聆心智能将打开一片 “超拟人大模型” 应用生态的 “新蓝海”,应用于更多场景和领域,成为 AGI 时代对话智能体的基础性平台之一,形成 AI 与人类互动的 “温暖链接”。

入门CharacterGLM
相关数据
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

http://www.tsinghua.edu.cn/
相关技术
人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~