論文の概要: MUSE: A Theory-Harnessed Story Engine for Vibe Narrativizing

• arxiv url: http://arxiv.org/abs/2609.15188v3
• Date: Thu, 17 Sep 2026 14:55:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.41142
• Title: MUSE: A Theory-Harnessed Story Engine for Vibe Narrativizing
• Title（参考訳）: MUSE: ビブナラティビゼーションのための理論に問題のあるストーリーエンジン
• Abstract要約: 私たちは、Viva Narrativizingを自然言語の書き込み要件を完成したストーリーに変えるものとして定式化します。 MUSE(Theory-Harnessed Story Engine)は、ルール品質と持続的なルール実現という2つのボトルネックに対処する。
• 参考スコア（独自算出の注目度）: 14.61147082072489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs have been able to generate fluent prose, but high-quality stories also require coordinated decisions about plot, character, and language across planning, drafting, and revision. We formulate Vibe Narrativizing as turning natural-language writing requirements into a finished story. MUSE, a Theory-Harnessed Story Engine, addresses two bottlenecks: rule quality and sustained rule realization. Story theory supplies the rules, and a practical agent harness puts them to work. Knowledge engineering organizes Robert McKee's theory through rule atomization, semantic consolidation, mechanism abstraction, a single source of truth, and layered disclosure; typical examples clarify judgments that depend on context and aesthetic purpose. The harness preserves story decisions in intermediate deliverables across design, character performance, scene composition, and revision. Context engineering supplies each role with relevant guidance and decisions; a masterwork corpus provides inspiration and prose references. A worked example follows a requested object from its thematic role to climactic actions. Across four base models, MUSE improves WritingBench by 1.1 to 6.2 points over zero-shot generation; it is the only multi-stage system in our comparison to do so. It also raises LongStoryEval by more than ten points on three of the four models. ConStory-Bench consistency error density remains in the low single digits for all four models, below every reproduced story-system baseline on three of the four models. Ablations locate the largest quality contribution in structural design, voice-specific effects in the character path, and further gains in revision.
• Abstract（参考訳）: LLMは流動的な散文を生成することができるが、高品質なストーリーは計画、起草、修正をまたいだプロット、キャラクタ、言語に関する協調的な決定も必要である。 私たちは、Viva Narrativizingを自然言語の書き込み要件を完成したストーリーに変えるものとして定式化します。 MUSE(Theory-Harnessed Story Engine)は、ルール品質と持続的なルール実現という2つのボトルネックに対処する。 ストーリー理論はルールを提供し、実践的なエージェントハーネスがそれらを機能させる。 知識工学は、ロバート・マッキーの理論を、ルール・アトマイゼーション、セマンティック・コンソリデーション、機構の抽象化、単一の真実の源、層状開示を通じて構成する。 このハーネスは、デザイン、キャラクタパフォーマンス、シーンコンポジション、リビジョンの中間的な納品品におけるストーリー決定を保存する。 コンテキストエンジニアリングは、それぞれの役割に関連するガイダンスと決定を与え、マスターワークコーパスはインスピレーションと散文の参照を提供する。 動作する例は、要求されたオブジェクトをそのテーマ的役割からクライマックス的アクションへと従わせる。 4つのベースモデル全体で、MUSEはゼロショット生成よりも1.1から6.2ポイント改善している。 また、LongStoryEvalは4機種のうち3機種で10ポイント以上上昇している。 ConStory-Bench整合性誤差密度は、4つのモデルのうち3つのモデルで再現されたストーリーシステムベースライン以下である。 アブレーションは、構造設計における最大の品質貢献、キャラクタパスにおける音声特異的効果、リビジョンにおけるさらなる向上を見出す。

関連論文リスト

• Staying In Character: Perspective-Bounded Memory For Book-Based Role-Playing Agents [5.808135444478086]
  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。
  論文  参考訳（メタデータ） (2026-06-24T09:37:49Z)
• Controllable Narrative Rendering for Enhanced Assisted Writing [12.310927788766852]
  本稿では,物語と談話のナラトロジー的区別を基盤とした筆記フレームワークであるLoomを提案する。 ロームは全体的な品質スコアを最高に達成し、事実の完全性と説明力において実質的な利得を得る。
  論文  参考訳（メタデータ） (2026-05-05T00:35:45Z)
• S^2tory: Story Spine Distillation for Movie Script Summarization [12.310927788766854]
  映画脚本は、非直線的で横断的な物語構造のため、自動要約の根本的な課題となっている。 S2toryは、プロット核の識別に文字展開トラジェクトリを利用するフレームワークである。 MovieSumデータセットの実験では、約3.5倍の圧縮で最先端のセマンティック忠実度を示し、BookSumでのゼロショット評価により、ドメイン外の強力な一般化が確認された。
  論文  参考訳（メタデータ） (2026-05-05T00:25:09Z)
• 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)
• STORYTELLER: An Enhanced Plot-Planning Framework for Coherent and Cohesive Story Generation [17.553025200797986]
  自動生成されたストーリーの一貫性と一貫性を体系的に改善する新しいアプローチであるStorytellerを紹介します。 実験では、ストーリーテラーは既存のアプローチを大きく上回り、平均勝利率は84.33%に達した。 同時に、創造性、一貫性、エンゲージメント、関連性など、他の面でもはるかに先を行っている。
  論文  参考訳（メタデータ） (2025-06-03T00:54:00Z)
• STORYANCHORS: Generating Consistent Multi-Scene Story Frames for Long-Form Narratives [82.19488717416351]
  本稿では,高品質でマルチシーンなストーリーフレームを生成するための統合フレームワークであるStoryAnchorsを紹介する。 StoryAnchorsは、時間的一貫性を確保するために、過去と将来の両方のコンテキストを統合する双方向のストーリージェネレータを使用している。 また、マルチイベントストーリーフレームラベリングとプログレッシブストーリーフレームトレーニングを統合し、モデルが包括的な物語の流れとイベントレベルのダイナミクスの両方をキャプチャできるようにする。
  論文  参考訳（メタデータ） (2025-05-13T08:48:10Z)
• Learning to Reason for Long-Form Story Generation [84.09733333295338]
  一般的なストーリー生成タスク(Next-Chapter Prediction)と報酬定式化(Completion Likelihood Improvementによる検証リワード)を提案する。 私たちは、物語の凝縮した情報を推論し、次の章の詳細な計画を作成することを学びます。 私たちの推論は、ストーリージェネレータ作成を支援する章を通じて評価され、トレーニングされていない、教師なしの微調整(SFT)ベースラインと比較されます。
  論文  参考訳（メタデータ） (2025-03-28T18:48:26Z)
• Generating Visual Stories with Grounded and Coreferent Characters [63.07511918366848]
  本稿では,一貫した接地的・中核的な特徴を持つ視覚的ストーリーを予測できる最初のモデルを提案する。 我々のモデルは、広く使われているVISTベンチマークの上に構築された新しいデータセットに基づいて微調整されています。 また、物語における文字の豊かさとコア参照を測定するための新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2024-09-20T14:56:33Z)
• 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)
• MoPS: Modular Story Premise Synthesis for Open-Ended Automatic Story Generation [50.01780173691132]
  モジュール・ストーリー・プリミゼ・シンセサイザー(MoPS)について紹介する。 MoPSはストーリーの前提をバックグラウンドやペルソナなどのモジュールに分割し、自動設計と生成を行う。 より詳細な評価は、我々の合成された施設が多様性、魅力、完全性、独創性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-06-09T08:31:14Z)
• StoryVerse: Towards Co-authoring Dynamic Plot with LLM-based Character Simulation via Narrative Planning [8.851718319632973]
  大きな言語モデル(LLM)は仮想文字の振る舞いを駆動し、プロットは文字と環境間の相互作用から現れる。 著者の著作意図と LLM によるキャラクタシミュレーションの創発的行動とを仲介するプロット作成ワークフローを提案する。 このプロセスは「生きた物語」を作り、様々なゲーム世界の状態に動的に適応し、著者、キャラクターシミュレーション、プレイヤーが共同で物語を作る。
  論文  参考訳（メタデータ） (2024-05-17T23:04:51Z)
• CHAE: Fine-Grained Controllable Story Generation with Characters, Actions and Emotions [10.694612203803146]
  本稿では,物語のきめ細かい制御モデルを提案する。 キャラクター、対応するアクション、感情を任意に割り当てたカスタマイズされたストーリーを生成することができる。 きめ細かいパーソナライズされたガイダンスに従ってストーリーを生成することは、強い制御性を持つ。
  論文  参考訳（メタデータ） (2022-10-11T07:37:50Z)
• PlotMachines: Outline-Conditioned Generation with Dynamic Plot State Tracking [128.76063992147016]
  PlotMachinesは、動的プロット状態を追跡することによってアウトラインをコヒーレントなストーリーに変換することを学習する、ニューラルな物語モデルである。 さらに,PlotMachinesを高レベルな談話構造で強化し,モデルが物語の異なる部分に対応する筆記スタイルを学習できるようにした。
  論文  参考訳（メタデータ） (2020-04-30T17:16:31Z)

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。