在人工智能快速发展的浪潮中，连信作为专注于人工智能大模型的科技型创新企业，始终专注于大模型技术的深度探索与突破。今天，很高兴向大家宣布：针对业界普遍存在的“模型在公开数据集表现优异，但在实际场景中准确率显著下降”的问题（典型衰减率达30%），连信自主研发的“洞见人和”大模型，作为全国首个通过国家网信办双备案的人本世界模型，实现了多模态识别与理解能力的显著提升，达领先水平。该模型在基础情绪识别及异常情绪识别领域取得关键突破，有效弥合了实验室与实战场景之间的鸿沟，推动机器“读懂”人类情感的能力实现跨越式进步。
｜多项情绪识别能力提升，行业领跑
①高位基础情绪识别能力：在当前实际应用场景中，超过80%的摄像头部署于高位视角，而市面上主流算法在此类视角下的情绪识别准确率普遍偏低，远未达到实用标准。相比之下，连信在高位情绪识别方面表现突出：在学校实际应用数据集上，七分类（快乐、悲伤、愤怒、恐惧、厌恶、惊讶、平静）模型准确率已达83%，三分类（积极、消极、中性）整体准确率达85%，其中负面情绪识别精准率为86%。
在标准测试集上，与业界主流厂商的公开API对比测试中，连信模型整体准确率领先20%以上，* ***已在关键的情绪感知维度构筑了显著的竞争优势。
｜注：标准测试集来源：目前暂无公开的高位基础情绪数据集，故我们模拟了真实应用场景，采集了一批数据集，并由多位心理学专家进行标注，以用于以下测试对比
｜此图为连信原创 请勿私自转载（以上数据基于标准测试集 与各大厂商横向对比）
｜此图为连信原创 请勿私自转载（以上数据基于标准测试集 与各大厂商横向对比）
②怼脸基础情绪识别能力：在公开数据测试集上，连信怼脸基础情绪识别能力总体表现和外部厂商持平，负面情绪识别能力超其他头部厂商约10%；在模拟公安审讯场景中，整体准确率达96%，负面情绪精准率超85%；在实际司法社矫场景中，整体准确率为95%，展现出优秀的实战适配性。
③异常情绪识别能力：目前市面上的异常情绪识别技术主要基于肌肉微振动方案，需依赖高精度影像设备，并在静态条件下长时间（约1–2分钟）采集信号。相比之下，连信采用的识别模型支持静态图像与视频流输入，能够在极短时间内（推理延迟低至3ms）完成异常情绪的快速识别。
以攻击、压力等典型异常状态识别为例，该模型在公开数据集测试中精准率超过85%；而在教育实战场景中，精准率仍达73%，衰减率控制在10%左右，已具备可靠的高风险行为预警能力。
｜核心技术实现路径
◎构建高质量数据集： 以心理学专家标注的高位数据作为核心训练集， 确保训练数据分布与实际应用但一致性；同时引入自采实际场景数据与部分开源数据集（AffectNet、RAF-DB等） ，增强模型对压力特征的学习能力。
◎增强稀缺压力样本： 在基础增强（如随机裁剪、人脸对齐、颜色扰动等）方法之外，我们还针对压力类样本引入Mixup增强技术，有效扩大特征空间，提升模型在少数类识别上的泛化性能。
◎优化模型训练与评估体系：基于Paddle框架的PPLCNet_x2_5架构， 采用自定义加权交叉熵损失函数，系统调整压力类别的损失权重，并通过回流测试集持续评估精准率、召回率、F1分数等关键指标，确保模型在真实场景中的稳定性与可靠性。
｜多场景实战落地，泛化能力卓越
教育场景： 专门针对学校高位监控画面中的低像素、多角度、部分遮挡等复杂条件优化，模型在保持高精度的同时，对图像质量要求显著降低，有力支撑校园心理健康监测与早期预警体系建设。
公安/司法场景：面向高敏感、高要求场景，对模型进行进行强化训练，在保持高精度的同时增强对微表情、瞬时情绪的捕捉能力。在司法社矫、公安审讯等实战场景中表现出优异的稳定性和可靠性。
跨场景泛化能力： 通过多源数据融合训练与领域自适应技术，模型在心理健康、安防、员工管理等多个领域间展现出优秀的泛化性能，实现技术成果的快速迁移与广泛赋能。
