論文の概要: Narrative World Model: Narratology-Grounded Writer Memory for Long-Form Fiction

• arxiv url: http://arxiv.org/abs/2607.05577v1
• Date: Mon, 06 Jul 2026 19:23:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.307669
• Title: Narrative World Model: Narratology-Grounded Writer Memory for Long-Form Fiction
• Title（参考訳）: ナラトロジーを取り巻く物語世界モデル--長文の書き手記憶
• Abstract要約: 汎用検索とエージェントメモリシステムは、実体と事実を表すが、これらの疑問が引き起こすナラトロジー構造ではない。 我々は,ナラトロジーに基づく型付き時間状態グラフとクエリ条件付きハイブリッド検索を組み合わせた書体記憶システムであるナラティブ・ワールド・モデル(NWM)を紹介する。
• 参考スコア（独自算出の注目度）: 3.6314288564136064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-form fiction writers need memory that answers multi-hop questions about evolving story state: who knows a secret and when they learned it, whether an event preceded the narration that revealed it, whether a setup paid off, and how a relationship shifted. General-purpose retrieval and agent-memory systems represent entities and facts but not the narratological structure these questions turn on, so they surface the wrong evidence or none at all. We introduce the Narrative World Model (NWM), a writer-memory system that pairs a narratology-grounded typed temporal-state graph with query-conditioned hybrid retrieval. To measure memory rather than the answerer, we read every system through a single held-constant Opus 4.8 reader over only that system's chapter-safe evidence, on a reproducible public corpus and a validated multi-hop benchmark, and we compare against the strongest existing temporal-knowledge-graph agent-memory framework, Graphiti/Zep (Rasmussen et al., 2025). NWM substantially and significantly outperforms this baseline on multi-hop narratological QA across both corpora, and far exceeds GraphRAG and flat retrieval. The advantage is representational rather than an artifact of extraction: it survives rebuilding the baseline with NWM's own extractor, and traces to its narratology-grounded structure and query-conditioned retrieval, not to graph size or extractor quality.
• Abstract（参考訳）: 長文のフィクション作家は、物語の進化について、誰が秘密を知っているのか、いつ学んだのか、イベントがそれを明らかにするナレーションに先立つのか、セットアップが報われたのか、どのように関係が変わったのか、という、多面的な疑問に答える記憶を必要とする。 汎用検索とエージェントメモリシステムは、実体と事実を表すが、これらの疑問が引き起こされるナラトロジー構造ではないため、間違った証拠が浮かび上がるか、全く見つからない。 我々は,ナラトロジーに基づく型付き時間状態グラフとクエリ条件付きハイブリッド検索を組み合わせた書体記憶システムであるナラティブ・ワールド・モデル(NWM)を紹介する。 応答者よりもメモリを計測するために、我々は、そのシステムの章セーフなエビデンス、再現可能な公開コーパスと検証されたマルチホップベンチマークのみを1つの保留コンスタントなOps 4.8リーダーを通して全てのシステムを読み、現在最強の時間認知グラフのエージェントメモリフレームワークであるGraphiti/Zep(Rasmussen et al, 2025)と比較した。 NWMは両コーパスにまたがるマルチホップナラトロジーQAのベースラインを大幅に上回り、GraphRAGやフラット検索をはるかに上回っている。 NWMの抽出器によるベースラインの再構築を生き残り、グラフのサイズや抽出器の品質ではなく、ナラトロジーの基底構造とクエリ条件の検索に辿り着くという利点がある。

関連論文リスト

• Agent Zero Memory: Provenance-Aware Long-Term Memory for LLM Agents [3.6666917625778193]
  Agent Zero Memory(エージェントゼロメモリ)は、長期記憶システムである。 ユーザの会話、ファイル、接続されたソースを3つの並列メモリシステムに消去する。
  論文  参考訳（メタデータ） (2026-08-30T06:55:59Z)
• Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
  EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。 EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。 既存のメモリを単純に保存することは、しばしば不十分である。 連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
  論文  参考訳（メタデータ） (2026-07-23T17:50:45Z)
• Homer: Understanding Long-form Videos with Hierarchical Memory and Agentic Reasoning [77.7531245219403]
  textscHomerは階層型オンラインメモリ探索および推論フレームワークである。 textscHomerの記憶は、生の知覚から繰り返される実体、明示的な時間的・因果関係と結びついた出来事まで、長いビデオのマルチスケール構造を反映している。 textscHomerは、M3-Bench-robot、M3-Bench-web、Video-MME-Longで$+5.5$、$+10.8$、$+4.4$ポイントで前のベストエージェントメソッドより優れている。
  論文  参考訳（メタデータ） (2026-07-01T05:53:09Z)
• Narrative Knowledge Weaver: Narrative-Centric Retrieval-Augmented Reasoning for Long-Form Text Understanding [21.52396619311169]
  Narrative Knowledge Weaver(NKW)は、テキストのエビデンス、原子的事実、標準グラフ構造、エンティティプロファイル、インタラクション、エピソード、ストーリーラインを整列する基盤となるフレームワークである。 NKWは、よりパス中心のベンチマークで競争力を維持しながら、画面レベルのストーリーワールドQAで最強です。
  論文  参考訳（メタデータ） (2026-06-04T05:30:11Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• GRAVITY: Architecture-Agnostic Structured Anchoring for Long-Horizon Conversational Memory [38.10762218232756]
  本稿では,プラグイン・アンド・プレイ型構造化メモリモジュールGRAVITYを紹介する。 生会話音声から3つの知識表現を抽出する。 ホストシステムのプロンプトにこれらの表現を、構造化アンカーコンテキストとして注入する。
  論文  参考訳（メタデータ） (2026-05-03T02:55:46Z)
• S3Mem: Structured Spatiotemporal Scene-Event Memory for Long-Horizon Interactive Question Answering [58.90783999951707]
  ロングホライゾンの記憶問題に対する答えは、しばしば異質な歴史からスパースな証拠を必要とする。 S3Mem(Structured Spatiotemporal Scene-Event Memory)は,テキスト,視覚,エージェント使用履歴を構造化されたシーン単位に書き込むクエリ時メモリインタフェースである。 LoCoMo、EMemBench Visual Games、AMA-Benchの他、S3Memは強力なスコアツーケントレードオフを提供する。
  論文  参考訳（メタデータ） (2026-04-10T07:49:10Z)
• Competency Questions as Executable Plans: a Controlled RAG Architecture for Cultural Heritage Storytelling [0.12891210250935145]
  本稿では,ナレッジグラフに基づく新しいニューロシンボリックアーキテクチャを提案する。 我々のアプローチの目新しいところは、実行時の物語プランに有能な質問(CQ)を組み直すことである。 音楽メタオントロジーと1985年のコンサートデータを一致させたマルチモーダルデータセットであるLive Aid KGを用いて,このアーキテクチャを検証した。
  論文  参考訳（メタデータ） (2026-04-02T21:54:33Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning [66.24870234484668]
  我々は,複数の相補的記憶から構築・取得する,新しいマルチモーダルメモリエージェント WorldMM を紹介する。 WorldMMは5つの長いビデオ質問回答ベンチマークで既存のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-12-02T05:14:52Z)
• Cognitively-Inspired Episodic Memory Architectures for Accurate and Efficient Character AI [1.0742675209112622]
  大規模な言語モデルは、対話システムに歴史的な文字を具現化することを約束するが、既存のアプローチは重要なトレードオフに直面している。 本稿では、オフラインデータ拡張と、構造化エピソードメモリからの効率的な並列検索により、この緊張を解消するアーキテクチャを提案する。 本システムでは,2段階検索で0.52秒の即時生成を実現し,生涯データを1,774個の濃厚な初対人記憶に変換する。
  論文  参考訳（メタデータ） (2025-11-01T02:26:16Z)
• Long Story Generation via Knowledge Graph and Literary Theory [5.844556001202481]
  数千語からなる長文の生成は、長文生成(LTG)の分野におけるサブタスクである これまでの研究では、ストーリーのアウトラインを生成するためのマルチステージ手法であるアウトラインベースの生成を通じて、この問題に対処してきた。 このアプローチには、以前のアウトラインの記憶が失われることによる、ほぼ避けられないテーマドリフトと、人間の読者にはあまりアピールしない不整合論理による退屈なプロットの2つの一般的な問題がある。
  論文  参考訳（メタデータ） (2025-08-05T06:35:14Z)

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。