Проблема: «Качели» между безопасностью и хаосом
Современные большие языковые модели (LLM) часто терпят неудачу в креативном письме из-за фундаментального конфликта. С одной стороны, они склонны к ремонтной полировке (remedial polishing) — безопасному, но поверхностному редактированию, которое не добавляет ценности. С другой — к деструктивному расширению сюжета (destructive plot expansion), когда модель выдумывает новые события, нарушая исходную структуру истории. Это создает непреодолимый компромисс между верностью оригиналу и интенсивностью описаний.
Решение: Разделение истории и дискурса
Команда авторов во главе с Минджем Лу (Mingzhe Lu) предложила фреймворк Loom. Его ключевая идея базируется на нарратологическом различии между историей (событиями) и дискурсом (способом их подачи). Loom использует трехуровневый конвейер, который операционализирует семантическую цепочку рассуждений, центрированную на намерении (intent-centered semiotic chain-of-thought).
Архитектура строго разделяет:
- Генерацию перцептивного материала (описания, атмосфера).
- Синтаксическую вставку (структурные изменения).
Это гарантирует, что улучшение текста происходит без нарушения исходной событийной структуры.
Результаты: Превосходство над базовыми моделями
В ходе комплексной оценки, включавшей как метрики на базе LLM, так и человеческую оценку, Loom продемонстрировал способность разрешать описанное напряжение. Система показала наивысшие баллы по общему качеству, обеспечив значительный прирост как в фактологической целостности, так и в интенсивности описаний по сравнению с современными базовыми моделями (SOTA baselines).
| Критерий оценки | Результат Loom | Сравнение с SOTA |
|---|---|---|
| Общее качество текста | Наивысший балл | Превосходит базовые модели |
| Фактологическая целостность | Высокая | Значительный прирост |
| Интенсивность описаний | Высокая | Значительный прирост |
Значение для индустрии
Работа Loom закладывает основу для следующего поколения инструментов соавторства. Переход от простого «дописывания» текста к управляемому рендерингу нарратива позволяет авторам сохранять контроль над сюжетом, делегируя ИИ только стилистическое обогащение. Это снижает риск галлюцинаций в сюжете и повышает практическую применимость LLM для профессиональных писателей и сценаристов.
Источник: arXiv cs.CL ↗