Character.ai 技术解析：让用户停留的工程学

Character.ai 是面向消费者市场的角色对话平台，用户可与名人、虚构人物、自定义角色进行长轮次聊天，也可自行创建角色。与主打问答的通用聊天机器人不同，Character.ai 把「让一场虚构或陪伴式对话持续很长时间」作为核心产品命题，由此衍生出一整套围绕速度、记忆与角色一致性的工程方案。

创始团队与技术基因

Character.ai 由 Noam Shazeer 与 Daniel De Freitas 联合创立，二人均为前 Google 研究员，参与过 Transformer、Meena、LaMDA 等关键工作，在对话模型与低成本推理方面积累深厚。这一背景也解释了 Character.ai 选择「自建模型 + 强产品」路线，而非仅依赖第三方大模型 API 的原因。

模型架构：Kaiju 与训练管线

Character.ai 公开使用的核心模型为 Kaiju，参数规模覆盖 13B、34B、110B 三个档位，均为稠密 Transformer。模型在训练目标上明显偏向对话流畅度与角色沉浸感，而非单纯考试型基准。

为兼顾响应速度与生成质量，Kaiju 在架构与训练层面采用了多项工程优化：

MQA（Multi-Query Attention）：在注意力层共享 Key/Value，降低显存与计算开销。
Sliding-Window Attention：限制注意力窗口，减少长上下文下的推理成本。
共享 KV Cache：跨请求复用已计算的 Key/Value，进一步压缩推理时延。
INT8 + QAT（Quantization-Aware Training）：训练阶段就为量化做准备，兼顾精度与吞吐。
Sticky Sessions：将同一会话尽量调度到同一组 GPU，提升缓存命中率。

记忆与「黏性」机制

Character.ai 把「让用户停留」拆解成几个具体的产品机制：

Story Memory：自动抽取并保留故事情节关键节点，避免长对话中情节断裂。
Facts：持久化用户的偏好、身份等结构化信息。
Lorebook：允许创作者为角色补充世界观、规则与背景设定，相当于外挂的世界设定数据库。
Compelling Writing Scorecard：内部用于评估生成文本「是否足够像好故事」的写作质量评分体系，作为训练与筛选信号。

这一组合让模型在几十甚至上百轮对话后仍能保持角色口吻、记住前情，并容纳丰富的世界设定，是其与通用聊天机器人拉开差距的关键。

安全与生成控制

在内容安全方面，Character.ai 的公开方案分为三阶段：

SFT（监督微调）：用人工标注数据训练基础对话风格与安全基线。
在线 DPO：在用户交互过程中持续进行偏好优化，让模型更倾向被认可的回复。
Classifier-Guided Beam Search：解码阶段用分类器对候选序列打分，引导模型在保持创造力的同时规避违规输出。

这套「训练 + 在线偏好 + 解码约束」的组合，被公司描述为兼顾开放性与安全性的主要技术路线。

信息来源与局限

需要指出的是，本文梳理的内容主要来自 Character.ai 官方 Research 板块下约十篇博客文章，并非独立审计或第三方测评。性能数字、训练细节与安全效果均以官方口径为准，缺少独立 benchmark 对比。读者在评估其实际表现时，仍需结合外部使用体验与第三方研究综合判断。