Проблема масштабирования креативности
Создание связного вымышленного мира (worldbuilding) — сложнейшая задача для LLM. По мере роста объема лора (истории, географии, персонажей) контекстное окно переполняется, что приводит к потере согласованности и росту вычислительных затрат. Авторы работы Jingbo Chen, He Wang и коллеги из лаборатории, представившей AutoWorldBuilder, выделили три ключевых барьера: линейный рост контекста, конфликт между креативностью и логикой, а также отсутствие автоматического контроля качества.
Архитектура: 5 компонентов системы
AutoWorldBuilder — это мультиагентная система, использующая GPT-OSS 120B и DeepSeek v3.2 в качестве бэкендов. Ее ядро состоит из пяти интегрированных модулей:
- Сеть концептов с детекцией конфликтов: структурированное хранение знаний, которое автоматически выявляет противоречия в лоре.
- DAG-планировщик: гибридный планировщик на основе направленного ациклического графа, группирующий задачи по семантической близости для оптимизации обработки.
- 4-уровневая компрессия контекста: механизм, снижающий объем передаваемых токенов примерно на 90% без критической потери смысла.
- Итеративный ревью: специализированные агенты-аудиторы (Auditor), которые проверяют предложения генераторов. Это повысило долю успешных предложений с 42% до 85%+.
- Скилл-ориентированные агенты: архитектура, позволяющая расширять возможности системы без кода (zero-code) с индивидуальной настройкой температуры для каждого агента.
Результаты экспериментов
Система была протестирована на 20 разнообразных задачах по созданию миров. Ключевые метрики эффективности:
| Метрика | Результат | Примечание |
|---|---|---|
| Успешность генерации | 95.0% | Доля полностью согласованных миров |
| Количество концептов | 56–103 | Самоконтентные элементы на мир |
| Время генерации | 18–31 мин | От начала до готового результата |
| Конфликты лора | 0 | Доставка с нулевым уровнем конфликтов |
| Сокращение токенов | ~90% | За счет иерархической компрессии |
Почему это важно для индустрии
Архитектурные паттерны, доказавшие свою эффективность в AutoWorldBuilder, применимы не только к геймдеву и литературе. Разделение генерации и ревью, а также семантическая локализация задач могут быть перенесены в любые сложные мультиагентные системы, работающие с большими объемами знаний. Это шаг от хаотичной генерации текста к управляемому конструированию сложных структур данных.
Источник: arXiv cs.AI ↗