EmoLLM

EmoLLM 是一系列能够支持 理解用户-支持用户-帮助用户 心理健康辅导链路的心理健康大模型，由 LLM指令微调而来，欢迎大家star~⭐⭐。目前已经开源的 LLM 微调配置如下：

🎉欢迎大家为本项目做出贡献！

🔍对LLM原理/底层实现感兴趣的小伙伴可以关注ThinkLLM，专注于从零实现大模型的各种组件

---

心理健康大模型（Mental Health Grand Model）是一个综合性的概念，它旨在全面理解和促进个体、群体乃至整个社会的心理健康状态。这个模型通常包含以下几个关键组成部分：

• 认知因素：涉及个体的思维模式、信念系统、认知偏差以及解决问题的能力。认知因素对心理健康有重要影响，因为它们影响个体如何解释和应对生活中的事件。
• 情感因素：包括情绪调节、情感表达和情感体验。情感健康是心理健康的重要组成部分，涉及个体如何管理和表达自己的情感，以及如何从负面情绪中恢复。
• 行为因素：涉及个体的行为模式、习惯和应对策略。这包括应对压力的技巧、社交技能以及自我效能感，即个体对自己能力的信心。
• 社会环境：包括家庭、工作、社区和文化背景等外部因素，这些因素对个体的心理健康有着直接和间接的影响。
• 生理健康：身体健康与心理健康紧密相关。良好的身体健康可以促进心理健康，反之亦然。
• 心理韧性：指个体在面对逆境时的恢复力和适应能力。心理韧性强的人更能够从挑战中恢复，并从中学习和成长。
• 预防和干预措施：心理健康大模型还包括预防心理问题和促进心理健康的策略，如心理教育、心理咨询、心理治疗和社会支持系统。
• 评估和诊断工具：为了有效促进心理健康，需要有科学的工具来评估个体的心理状态，以及诊断可能存在的心理问题。

🎇最近更新

• 【2025.5】AI心理助手-深度思考版（Caryou）：EmoLLM-心理数字人分项（目前完成了深度思考、Rag、web search和tts功能），已合并到EmoLLM，欢迎大家参与项目的优化和完善！
• 【2025.5】deepwiki-EmoLLM：可以基于该项目进行更加智能化的项目&文档理解
• 【2025.4】ThinkLLM是一个轻量、高效的大语言模型算法实现仓库，提供了BPE训练指南（支持EmoLLM）。
• 【2025.3】基于InternLM2.5-7B-chat全量微调的EmoLLM（GGUF格式，fp16精度） ，如何操作后续会更新~ @Rycen7822 @Slipstream-Max
• 【2025.2】更新首个心理健康R1蒸馏数据集 @Kedreamix
• 【2024.09.14】基于Qwen2-7B-Instruct模型的Lora微调模型开源，微调配置文件地址：Qwen2-7B-Instruct_lora.py ，模型权重链接：ModelScope
• 【2024.08】基于GLM4-9B-chat微调Lora模型开源（基于LLaMA-Factory），详情见微调教程 ，模型权重链接：ModelScope
• 【2024.07.16】欢迎大家体验 EmoLLM V3.0 ，该模型是基于InternLM2.5-7B-Chat模型的全量微调，微调配置文件地址：internlm2_5_chat_7b_full.py ，模型权重链接：OpenXLab, ModelScope ，WebDemo地址： OpenXLab apps, 配套全量微调知乎教程。
• 【2024.07】欢迎大家使用稳定版 EmoLLM V2.0 进行日常使用和学术研究，模型权重链接：OpenXLab。
• 【2024.07】新增基于InternLM2_5_7B_chat微调配置、模型文件发布在 ModelScope。
• 【2024.06】新增基于LLaMA-FactoryGLM4-9B-chat微调指南、新增基于swift的微调指南、论文ESC-Eval: Evaluating Emotion Support Conversations in Large Language Models引用了EmoLLM且EmoLLM取得了较好的效果。
• 【2024.05.28】EmoLLM使用的多轮对话数据集CPsyCounD和专业评测方法已公开，详见2024 ACL findings《CPsyCoun: A Report-based Multi-turn Dialogue Reconstruction and Evaluation Framework for Chinese Psychological Counseling》!
• 【2024.05.08】EmoLLM爹系男友阅览体验版上线 1. 百度AppBuilder 2. OpenXLab, 欢迎点赞收藏
• 【2024.05.07】增量预训练指南
• 【2024.05.04】基于LLaMA3_8b_instruct的EmoLLM3.0 OpenXLab Demo上线（重启链接）, LLAMA3微调指南更新，在OpenXLab和ModelScope平台发布LLaMA3_8b_instruct-8B QLoRA微调模型 EmoLLM3.0权重
• 【2024.04.20】LLAMA3微调指南及基于LLaMA3_8b_instruct的艾薇开源
• 【2023.04.14】新增快速开始和保姆级教程BabyEmoLLM
• 【2024.04.02】在 Huggingface 上传老母亲心理咨询师
• 【2024.03.25】在百度飞桨平台发布爹系男友心理咨询师

查看更多

• 【2024.03.24】在OpenXLab和ModelScope平台发布InternLM2-Base-7B QLoRA微调模型, 具体请查看InternLM2-Base-7B QLoRA
• 【2024.03.12】在百度飞桨平台发布艾薇
• 【2024.03.11】 EmoLLM V2.0 相比 EmoLLM V1.0 全面提升，已超越 Role-playing ChatGPT 在心理咨询任务上的能力！点击体验EmoLLM V2.0，更新数据集统计及详细信息、路线图
• 【2024.03.09】 新增并发功能加速 QA 对生成、RAG pipeline
• 【2024.03.03】 基于InternLM2-7B-chat全量微调版本EmoLLM V2.0开源，需要两块A100*80G，更新专业评估，详见evaluate，更新基于PaddleOCR的PDF转txt工具脚本，详见scripts
• 【2024.02.29】更新客观评估计算，详见evaluate，更新一系列数据集，详见datasets
• 【2024.02.27】更新英文readme和一系列数据集（舔狗和单轮对话）
• 【2024.02.23】推出基于InternLM2_7B_chat_qlora的 温柔御姐心理医生艾薇，点击获取模型权重，配置文件，在线体验链接
• 【2024.02.23】更新若干微调配置，新增 data_pro.json（数量更多、场景更全、更丰富）和 aiwei.json（温柔御姐角色扮演专用，带有Emoji表情），即将推出 温柔御姐心理医生艾薇
• 【2024.02.18】 基于Qwen1_5-0_5B-Chat全量微调版本开源，算力有限的道友可以玩起来~
• 【2024.02.06】 EmoLLM在Openxlab 平台下载量高达18.7k，欢迎大家体验！

• 【2024.02.05】 项目荣获公众号NLP工程化推文宣传推文链接，为博主推广一波，欢迎大家关注！！🥳🥳

• 【2024.02.03】 项目宣传视频完成 😊
• 【2024.01.27】 完善数据构建文档、微调指南、部署指南、Readme等相关文档 👏
• 【2024.01.25】 EmoLLM V1.0 已部署上线 https://openxlab.org.cn/apps/detail/jujimeizuo/EmoLLM 😀

🏆荣誉栏

• 项目荣获上海人工智能实验室举办的2024浦源大模型系列挑战赛春季赛创新创意奖

• 荣获AI 赋能大学计划“全国高校行”一等奖

• 🎉感谢以下媒体及公众号朋友对本项目的报道和支持(以下排名不分先后! 若有遗漏、十分抱歉, 一并感激! 欢迎补充!): NLP工程化, 机智流, 爱可可爱生活, 阿郎小哥, 大模型日知路, AI Code 等!

• 项目宣传视频 EmoLLM 已发布，欢迎大家围观 😀

🎯路线图

🔗框架图

目录

• EmoLLM-心理健康大模型
  • 🎇最近更新
  • 🏆荣誉栏
  • 🎯路线图
  • 🔗框架图
  • 目录 - 开发前的配置要求 - 使用指南
    • 🍪快速体验
    • 📌数据构建
    • 🎨增量预训练、微调指南
    • 🔧部署指南
    • ⚙RAG(检索增强生成)
    • 🎓评测指南
    • 使用到的框架
      • 如何参与本项目
    • 作者（排名不分先后）
    • 版权说明
    • 引用
    • 特别鸣谢
      • 相关项目
      • 人员
  • ⚠️ 免责声明
  • Star History
  • 🌟 Contributors
  • 交流群

开发前的配置要求

• 硬件：A100 40G（仅针对InternLM2_7B_chat+qlora微调+deepspeed zero2优化）
• todo：发布更多硬件消耗细节

使用指南

1. 克隆仓库

git clone https://github.com/SmartFlowAI/EmoLLM.git

2. 依次阅读或者选择感兴趣的部分阅读：
   • 快速体验
   • 数据构建
   • 增量预训练、微调指南
   • 部署指南
   • RAG
   • 评测指南
   • 查看更多详情

🍪快速体验

• 请阅读快速体验查阅
• 快速上手：Baby EmoLLM

📌数据构建

• 请阅读数据构建指南查阅
• 微调用到的数据集见datasets

🎨增量预训练、微调指南

• 增量预训练详见增量预训练指南
• 【基于xtuner】全量、LoRA、QLoRA微调详见微调指南
• 【基于ms-swift】全量、LoRA、QLoRA微调详见微调指南
• 【基于LLaMA-Factory】全量、LoRA、QLoRA微调详见微调指南
• todo：待更新DPO训练

🔧部署指南

• Demo部署：详见部署指南
• 基于LMDeploy的量化部署：详见deploy
• todo: 基于VLLM部署指南

⚙RAG(检索增强生成)

• 详见RAG

🎓评测指南

• 本模型评测分为通用评测和专业评测，请阅读评测指南查阅

更多详情

使用到的框架

• xtuner：用于微调
• Transformers
• Pytorch
• LMDeploy：用于量化部署
• Stremlit：用于构建Demo
• DeepSpeed：并行训练
• LLaMA-Factory：训练框架
• ms-swift：训练框架

如何参与本项目

贡献使开源社区成为一个学习、激励和创造的绝佳场所。你所作的任何贡献都是非常感谢的。

1. 分支项目
2. 创建你的功能分支 (git checkout -b feature/AmazingFeature)
3. 提交你的更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 打开拉取请求

作者（排名不分先后）

用户名	学校/组织	备注	贡献
aJupyter	南开大学在读硕士	DataWhale成员	项目发起人
MING-ZCH	华中科技大学在读本科生	LLM x Mental health 研究者	项目联合负责人
chg0901	韩国光云大学在读博士 MiniSora	DataWhale意向成员 DataWhale鲸英助教团成员	项目联合负责人
jujimeizuo	江南大学在读硕士
Smiling-Weeping-zhr	哈尔滨工业大学（威海）在读本科生
8baby8	飞桨领航团区域主管	文心大模型核心开发者
zxazys	南开大学在读硕士
JasonLLLLLLLLLLL	swufe
MrCatAI	AI搬用工
ZeyuBa	自动化所在读硕士
aiyinyuedejustin	宾夕法尼亚大学在读硕士
Nobody-ML	中国石油大学（华东）在读本科生
Mxoder	北京航空航天大学在读本科生
Anooyman	南京理工大学硕士
Vicky-3021	西安电子科技大学硕士（研0）
SantiagoTOP	太原理工大学在读硕士		数据清洗，文档管理、Baby EmoLLM维护
zealot52099	个人开发者		清洗数据、LLM微调、RAG
wwwyfff	复旦大学在读硕士
Yicooong	南开大学在读硕士
jkhumor	南开大学在读硕士		RAG
lll997150986	南开大学在读硕士		微调
nln-maker	南开大学在读硕士		前后端开发
dream00001	南开大学在读硕士		前后端开发
王几行XING	北京大学硕士毕业		清洗数据、LLM微调、前后端开发
[思在]	北京大学硕士毕业（微软美国）		LLM微调、前后端开发
TingWei	电子科技大学硕士毕业	微信公众号：AI大模型在手	微调
PengYu	石河子大学在读硕士		LLM微调
Kedreamix	深圳大学在读硕士	DataWhale成员	首个心理健康R1蒸馏数据集
HaiyangPeng	AI算法工程师		开发AI心理助手-深度思考版

版权说明

该项目签署了 MIT 授权许可，详情请参阅 LICENSE

引用

如果本项目对您的工作有所帮助，请使用以下格式引用：

@misc{2024EmoLLM,
    title={EmoLLM: Reinventing Mental Health Support with Large Language Models},
    author={EmoLLM Team},
    howpublished={\url{https://github.com/SmartFlowAI/EmoLLM}},
    year={2024}
}

工作列表

有如下工作引用了EmoLLM（如有遗漏，欢迎补充，排名不分先后）

• Yin C, Li F, Zhang S, et al. Mdd-5k: A new diagnostic conversation dataset for mental disorders synthesized via neuro-symbolic llm agents[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2025, 39(24): 25715-25723.
• Gu Q, Li S, Zheng T, et al. Steel-LLM: From Scratch to Open Source--A Personal Journey in Building a Chinese-Centric LLM[J]. arXiv preprint arXiv:2502.06635, 2025.
• Dai C, Hu J, Shi H, et al. Psyche-R1: Towards Reliable Psychological LLMs through Unified Empathy, Expertise, and Reasoning[J]. arXiv preprint arXiv:2508.10848, 2025.
• Wang M, Wang P, Wu L, et al. AnnaAgent: Dynamic Evolution Agent System with Multi-Session Memory for Realistic Seeker Simulation[J]. arXiv preprint arXiv:2506.00551, 2025.
• Feng Y, Wang Q, Liu K, et al. AI PsyRoom: Artificial Intelligence Platform for Segmented Yearning and Reactive Outcome Optimization Method[J]. arXiv preprint arXiv:2506.06740, 2025.

特别鸣谢

相关项目

• CPsyCoun
• Smile
• SoulChat

人员

• 上海人工智能实验室
• 闻星（浦语小助手）
• 阿布（北大心理学硕士）
• Sanbu
• HatBoy

⚠️ 免责声明

本仓库所有开源代码及模型均遵循 MIT 许可协议。当前开源的 EmoLLM 模型可能存在某些局限性，因此我们声明如下：

EmoLLM 目前仅能提供情绪支持和相关建议服务，尚无法提供专业的心理咨询和心理治疗服务。EmoLLM 不能替代专业的心理医生或心理咨询师，可能存在固有局限性，并可能生成错误的、有害的、冒犯性的或其他不良输出。在关键或高风险场景中，用户需保持审慎，避免将 EmoLLM 的输出作为最终决策依据，以免造成个人伤害、财产损失或其他重大损失。

在任何情况下，作者、贡献者或版权所有者均不对因 EmoLLM 软件使用或交易引发的任何索赔、损害赔偿或其他责任（无论基于合同、侵权行为或其他法律原因）承担责任。

使用 EmoLLM 即表示您同意上述条款与条件，并承认了解其使用可能带来的潜在风险。您还同意赔偿并使作者、贡献者和版权所有者免受因您使用 EmoLLM而引发的任何索赔、损害赔偿或责任的影响。

Star History

🌟 Contributors

交流群

• 如果失效，请移步Issue区

EmoLLM 快速上手指南

EmoLLM 是一个专注于心理健康辅导的大模型系列，支持“理解用户 - 支持用户 - 帮助用户”的全流程。本指南将帮助开发者快速完成环境搭建、模型部署及基础对话测试。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 20.04+) 或 macOS
• Python 版本: 3.8 - 3.10
• GPU: 建议 NVIDIA GPU (显存需求视模型大小而定，QLoRA 微调通常需 16GB+，全量微调需更高)
• 前置依赖:
  • CUDA Toolkit (版本需与 PyTorch 匹配)
  • Git
  • Conda (推荐用于环境管理)

2. 安装步骤

2.1 克隆项目

首先从 GitHub 克隆项目代码：

git clone https://github.com/SmartFlowAI/EmoLLM.git
cd EmoLLM

2.2 创建虚拟环境

推荐使用 Conda 创建独立的 Python 环境：

conda create -n emollm python=3.10 -y
conda activate emollm

2.3 安装依赖库

根据项目常用的微调框架（如 XTuner 或 LLaMA-Factory），安装核心依赖。若项目中包含 requirements.txt，请直接安装：

pip install -r requirements.txt

如果未提供统一的 requirements 文件，建议安装以下核心库以支持主流模型（如 InternLM, Qwen, LLaMA3）的微调与推理：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install xtuner[all]
pip install transformers accelerate bitsandbytes
pip install modelscope

提示：国内用户建议使用 ModelScope 镜像加速模型下载，可在代码中设置 export MODELSCOPE_CACHE=~/.cache/modelscope。

3. 基本使用

以下以加载一个已微调好的模型进行简单对话为例。假设您已下载了某个版本的模型权重（例如基于 InternLM2 的 QLoRA 版本）。

3.1 下载模型权重

使用 ModelScope 下载模型（以 InternLM2_5_7B_chat QLoRA 版本为例）：

from modelscope import snapshot_download

model_dir = snapshot_download('z342994309/emollm_interlm2_5', cache_dir='./models')
print(f"模型下载路径：{model_dir}")

3.2 运行推理脚本

创建一个名为 infer.py 的文件，写入以下代码进行快速测试：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

# 配置模型路径
model_path = "./models/z342994309/emollm_interlm2_5" # 替换为实际下载路径或本地路径

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype=torch.float16,
    trust_remote_code=True
)
model.eval()

# 构建对话输入
prompt = "最近感觉压力很大，睡不着觉，该怎么办？"
messages = [
    {"role": "user", "content": prompt}
]

# 生成回复
input_ids = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([input_ids], return_tensors="pt").to(model.device)

outputs = model.generate(
    inputs.input_ids,
    max_new_tokens=512,
    do_sample=True,
    temperature=0.7,
    top_p=0.8
)

response = tokenizer.decode(outputs[0][len(inputs.input_ids[0]):], skip_special_tokens=True)
print("EmoLLM:", response)

3.3 执行测试

在终端运行脚本：

python infer.py

您将看到模型针对心理困扰给出的专业建议回复。

---

注：更多高级功能（如全量微调、RAG 检索增强、Web Demo 部署）请参考项目根目录下的 xtuner_config 配置文件及 docs 文档。