論文の概要: Staying In Character: Perspective-Bounded Memory For Book-Based Role-Playing Agents

• arxiv url: http://arxiv.org/abs/2606.25632v1
• Date: Wed, 24 Jun 2026 09:37:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.298354
• Title: Staying In Character: Perspective-Bounded Memory For Book-Based Role-Playing Agents
• Title（参考訳）: 書籍ベースのロールプレイングエージェントのためのパースペクティブ境界メモリ
• Authors: Xushuo Tang, Junhe Zhang, Zihan Yang, Yifu Tang, Sichao Li, Longbin Lai, Zhengyi Yang,
• Abstract要約: 本論文では,書籍ベースの文字エージェントのための3層メモリアーキテクチャであるREVERIEMEMを提案する。 エピソード層は、第一人物のシーン記憶を記憶し、セマンティック層は、可視的タグ付けされた事実を記憶し、パーソナリティ層は、状況に依存した音声および行動パターンを記憶する。 評価のために,知識境界をテストする8つのノベルに対して,KBF-QA,4,386のクエクションベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 5.808135444478086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent LLM role-playing systems build character agents from novels by extracting characters, scenes, and relations. Yet long-narrative role-playing suffers from two failures: Factual Overreach, where shared retrieval or parametric memory lets a character use facts outside its perspective, and Stylistic Monotony, where profile descriptions flatten a character into a fixed voice. To address these failures, we propose REVERIEMEM, a three-layer memory architecture for book-based character agents. The episodic layer stores first-person scene memories; the semantic layer stores visibility-tagged facts; and the personality layer stores situation-dependent speech and behaviour patterns. For evaluation, we construct KBF-QA, a 4,386-question benchmark over eight novels for testing knowledge boundaries. REVERIEMEM improves Knowledge Boundary Fidelity by 34.6 percentage points over the strongest prior method. On BOOKWORLD's five-dimension pairwise narrative protocol, REVERIEMEM achieves a ~ 79% win rate, suggesting that perspective-bounded memory improves both boundary fidelity and character-grounded narrative generation.
• Abstract（参考訳）: 近年のLLMロールプレイングシステムは、キャラクター、シーン、関係を抽出して小説からキャラクターエージェントを構築する。 しかし、長い物語的なロールプレイングは2つの失敗に苦しむ: Factual Overreach、共有検索またはパラメトリックメモリはキャラクターの視点外で事実を活用できる、Stylistic Monotony、プロファイル記述はキャラクターを固定された声に平らにする。 これらの障害に対処するため,書籍ベースの文字エージェントのための3層メモリアーキテクチャであるREVERIEMEMを提案する。 エピソード層は、第一人物のシーン記憶を記憶し、セマンティック層は、可視的タグ付けされた事実を記憶し、パーソナリティ層は、状況に依存した音声および行動パターンを記憶する。 評価のために,知識境界をテストする8つのノベルに対して,KBF-QA,4,386のクエクションベンチマークを構築した。 ReverIEMEMは、最強の先行手法よりも知識境界忠実度を34.6ポイント向上させる。 BOOKWORLDの5次元対の物語プロトコルでは、REVERIEMEMが約79%の勝利率を達成した。

関連論文リスト

• ReCap: Lightweight Referential Grounding for Coherent Story Visualization [11.022891519635834]
  ReCapは、基本拡散バックボーンを変更することなく、文字安定性と視覚的忠実性を改善する軽量な一貫性フレームワークである。 ReCap's CORE (Conditional frame Reference) モジュールは、アナポーを視覚的アンカーとして扱う。 我々は、ストーリーの可視化を、リアル映画から派生した人間中心の物語に拡張し、スタイル化された漫画ドメインを超えてReCapの能力を実証する。
  論文  参考訳（メタデータ） (2026-04-20T17:57:50Z)
• Think Before you Write: QA-Guided Reasoning for Character Descriptions in Books [52.08691427871138]
  我々は、推論を世代から切り離す訓練フレームワークを提案する。 提案手法は,構造化QA推論トレースを生成する推論モデルと,このトレースに基づいて最終文字記述を生成する生成モデルとから構成される。
  論文  参考訳（メタデータ） (2026-04-13T13:19:56Z)
• Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
  大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。 メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。 この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
  論文  参考訳（メタデータ） (2026-03-08T15:08:01Z)
• Living the Novel: A System for Generating Self-Training Timeline-Aware Conversational Agents from Novels [50.43968216132018]
  文芸作品が没入的で多文字の会話体験に変換されるエンド・ツー・エンドシステムを提案する。 このシステムはLLM駆動文字の2つの基本的な課題を解決するために設計されている。
  論文  参考訳（メタデータ） (2025-12-08T11:57:46Z)
• PsyMem: Fine-grained psychological alignment and Explicit Memory Control for Advanced Role-Playing LLMs [11.960470088030968]
  PsyMemは、きめ細かい心理的属性と、ロールプレイングのための明示的なメモリ制御を統合する新しいフレームワークである。 Qwen2.5-7B-Instructを特別に設計したデータセットでトレーニングすることで、PsyMem-Qwenはロールプレイングにおいてベースラインモデルより優れています。
  論文  参考訳（メタデータ） (2025-05-19T07:45:09Z)
• Memorization Over Reasoning? Exposing and Mitigating Verbatim Memorization in Large Language Models' Character Understanding Evaluation [9.783129095443758]
  大きな言語モデル(LLM)は、文字理解タスクにおいて素晴らしいパフォーマンスを示している。 我々は「ギストメモリ」が文字理解タスクの主要なメカニズムであるべきだと論じている。 本稿では,文字理解評価において,機械的記憶を緩和する簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T22:04:56Z)
• CharacterBox: Evaluating the Role-Playing Capabilities of LLMs in Text-Based Virtual Worlds [74.02480671181685]
  ロールプレイングは大規模言語モデル(LLM)の重要な機能である 現在の評価手法は, 実演に不可欠なニュアンス特性や動作を適切に把握するに足りていない。 本研究では,キャラクタボックスを提案する。キャラクタボックスは,キャラクタの微粒な挙動を再現するシミュレーションサンドボックスである。
  論文  参考訳（メタデータ） (2024-12-07T12:09:35Z)
• Are Large Language Models Capable of Generating Human-Level Narratives? [114.34140090869175]
  本稿ではストーリーテリングにおけるLLMの能力について考察し,物語の展開とプロットの進行に着目した。 本稿では,3つの談話レベルの側面から物語を分析するための新しい計算フレームワークを提案する。 談話機能の明示的な統合は、ニューラルストーリーテリングの40%以上の改善によって示されるように、ストーリーテリングを促進することができることを示す。
  論文  参考訳（メタデータ） (2024-07-18T08:02:49Z)
• Make-A-Story: Visual Memory Conditioned Consistent Story Generation [57.691064030235985]
  本稿では,アクタと背景コンテキストを暗黙的にキャプチャするビジュアルメモリモジュールを備えた,自己回帰拡散に基づく新しいフレームワークを提案する。 本手法は,視覚的品質の高いフレーム生成において,先行技術よりも優れていた。 MUGEN, PororoSV, FlintstonesSVデータセット上でのストーリー生成実験により, この手法は, 視覚的品質の高いフレーム生成において, 先行技術よりも優れるだけでなく, キャラクタと背景との適切な対応をモデル化した。
  論文  参考訳（メタデータ） (2022-11-23T21:38:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。