Проблема «сухого» сторителлинга
Большие языковые модели (LLM) уже умеют писать связные тексты, но им не хватает главного — readerly dynamics (читательской динамики). Это эволюция эмоциональных реакций аудитории, которая превращает набор слов в захватывающую историю. Обычные модели генерируют логичный, но предсказуемый и скучный текст, не умея управлять напряжением, удивлением или сопереживанием.
Решение: двухуровневая архитектура
Команда исследователей во главе с Данруи Ли (Danrui Li) предложила новую парадигму. Вместо того чтобы заставлять одну большую модель угадывать сюжет, они разделили задачу:
- Малая LLM (Predictor): Обучается на высококачественных человеческих текстах предсказывать траектории читательских реакций. Это низкомерные векторы, описывающие, как должно меняться внимание и эмоции читателя от сцены к сцене.
- Большая LLM (Writer): Использует мощные инструкции для генерации самого текста. Её задача — следовать заданной траектории эмоций, сохраняя связность повествования.
Результаты: точность и связность
Метод показал значительное улучшение по сравнению с базовыми подходами. Система лучше воспроизводит эмоциональные паттерны профессиональных авторов, не жертвуя логикой сюжета.
| Метрика | Результат | Значение |
|---|---|---|
| Траекторная верность (Trajectory Fidelity) | Рост на 12%–35% | Генерируемые истории точнее имитируют эмоциональные кривые человеческих текстов |
| Связность сюжета (Coherence) | Сохранена на высоком уровне | Управление эмоциями не ломает логику повествования |
| Объем исследования | 55 страниц, 20 рисунков, 18 таблиц | Глубокое эмпирическое обоснование метода |
Почему это важно
Это первый шаг к созданию ИИ-авторов, которые понимают не просто грамматику, а психологию восприятия. Такой подход открывает путь к персонализированному сторителлингу, где сюжет адаптируется под эмоциональное состояние конкретного читателя в реальном времени. Исследование опубликовано 30 октября 2026 года в arXiv (cs.CL).
Источник: arXiv cs.CL ↗