Проблема: ИИ не понимает контекст сюжета
Написание длинной художественной литературы требует от автора (или ИИ-автора) удержания в памяти сложной сети связей: кто что знает, когда произошло событие относительно его описания, как развивались отношения между персонажами. Стандартные системы памяти (RAG, агенты) хранят факты, но не понимают нарратологическую структуру. Из-за этого они часто выдают неверные ответы на многошаговые вопросы, такие как «Когда персонаж А узнал о секрете Б?» или «Было ли это событие задумано как отсылка к началу книги?».
Решение: Граф состояний, основанный на нарратологии
Команда авторов во главе с Мохаммадом Сайфуллой (Mohammad Saifullah) представила Narrative World Model (NWM). Ключевое отличие NWM — использование типизированного графа временных состояний, который явно моделирует нарратологические отношения. Система использует гибридный поиск, учитывающий условия запроса, что позволяет находить релевантные фрагменты текста, опираясь на сюжетную логику, а не только на семантическое сходство.
Методология: Честное сравнение
Авторы провели строгое тестирование, чтобы измерить именно качество памяти, а не способность генератора ответов. Все системы проверялись через единый, неизменный Opus 4.8 (reader), который получал на вход только доказательства, извлеченные конкретной системой памяти. Тестирование проводилось на воспроизводимом публичном корпусе и валидированном бенчмарке с многошаговыми вопросами.
Результаты: Превосходство над Graphiti и GraphRAG
NWM демонстрирует статистически значимое превосходство над текущим лидером в области временных графов — Graphiti/Zep (Rasmussen et al., 2025), а также значительно превосходит классические подходы GraphRAG и плоский поиск. Важно отметить, что преимущество NWM обусловлено именно архитектурой представления знаний, а не качеством экстрактора или размером графа. Даже при использовании экстрактора NWM для базовых моделей, их результаты не достигали уровня NWM.
| Метрика / Аспект | Graphiti/Zep (Baseline) | GraphRAG | NWM (Предлагаемая модель) |
|---|---|---|---|
| Тип памяти | Временной граф фактов | Плоский/Графовый RAG | Нарратологический граф состояний |
| Понимание сюжета | Низкое (факты без структуры) | Среднее | Высокое (структура + факты) |
| Результаты QA | Базовый уровень | Ниже среднего | Значительно выше (stat. sig.) |
| Стабильность при замене экстрактора | — | — | Сохраняет преимущество |
Значение для индустрии
Работа NWM открывает путь к созданию ИИ-инструментов для писателей, которые способны вести «умный» дневник сюжета. Это критически важно для генерации длинных текстов, где согласованность деталей и логика повествования часто теряются в стандартных LLM-подходах. Публика доступна на arXiv (2607.05577) с 6 июля 2026 года.
Источник: arXiv cs.AI ↗