論文の概要: Can LLMs Tell Stories Out of Order? A Corpus and Benchmark for Nonlinear Narrative Generation

• arxiv url: http://arxiv.org/abs/2610.21468v1
• Date: Thu, 15 Oct 2026 08:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.276169
• Title: Can LLMs Tell Stories Out of Order? A Corpus and Benchmark for Nonlinear Narrative Generation
• Title（参考訳）: LLMはストーリーを順に表現できるか? コーパスと非線形ナラティブ生成のためのベンチマーク
• Abstract要約: 我々は、83の論文のベンチマークを用いて、言語モデルが非線形なストーリーを表現できるかどうかを測定する。 我々は、自動判断器と71人の人間読者を用いて、同じ事象のモデルストーリーを異なる条件下で比較する。 以上の結果から, ストーリーを順に並べ替える指示に従うことは, 順調に語ることとまだ同じではないことが示唆された。
• 参考スコア（独自算出の注目度）: 6.809545809949921
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Every story has two orders: the order in which its events happen and the order in which they are told. A story is nonlinear when the two differ. We introduce a benchmark of 83 published works that measures whether language models can tell nonlinear stories. For each work, we annotate one list of events in both orders, together with a story graph of causal dependencies, character knowledge, and the questions the telling raises and resolves. Given events in chronological order, all 19 models tell them, on average, more chronologically than the published works do; asked for a specific structure, they land within the human range about half the time. We then compare a model's stories of the same events under different conditions, using both an automated judge and 71 human readers. Both prefer the chronological story a model writes by default to the nonlinear one it writes on request, which readers find harder to follow in 81% of decisive judgments. Readers also prefer stories written from the story graph to stories constrained to the published telling order (72% of decisive judgments), a difference the judge does not detect. Our results suggest that following an instruction to reorder a story is not yet the same as telling it well out of order.
• Abstract（参考訳）: すべての物語には、その出来事が起こる順序と、話される順序の2つの順序がある。 2つの異なる場合、ストーリーは非線形である。 本稿では, 言語モデルが非線形な物語を表現できるかどうかを測る83の論文のベンチマークを紹介する。 各作業について、それぞれのイベントリストに、因果依存性、文字の知識、そしてその指示が引き起こし解決する質問のストーリーグラフと合わせて、両方の順序でアノテートします。 年代順の出来事を考えると、19のモデルは全て、公表された作品よりも平均して、より年代順に伝え、特定の構造を尋ねると、およそ半分の時間の範囲内に着陸する。 次に、自動判断器と71人の人間読者を用いて、同じ事象のモデルストーリーを異なる条件下で比較する。 どちらも、モデルがデフォルトで記述する時系列ストーリーを、要求に応じて記述する非線形ストーリーよりも好んでおり、読者は決定的な判断の81%で追従するのが難しくなっている。 読者はまた、ストーリーグラフから書かれたストーリーを、出版された指示に制約されたストーリー(決定的な判断の72%)を好む。 以上の結果から, ストーリーを順に並べ替える指示に従うことは, 順調に語ることとまだ同じではないことが示唆された。

関連論文リスト

• The Judge Is Not Its Twin: Post-training makes a model's writing more predictable but barely moves its taste, as a judge, toward predictable writing [0.0]
  ポストトレーニングは、モデル自身の書き込みをより予測可能にします。 また、予測可能な文章に報酬を与えるために、裁判官として振る舞う同じモデルを教えることもある。
  論文  参考訳（メタデータ） (2026-09-26T03:46:50Z)
• StoryAlign: Evaluating and Training Reward Models for Story Generation [52.44891270363296]
  ストーリー嗜好に関する報酬モデルを評価するための最初のベンチマークであるStoryRMBを紹介する。 我々は、このデータセットでトレーニングされたストーリー優先のための高度な報酬モデルであるStoryRewardを開発する。 StoryRewardはStoryRMB上での最先端(SoTA)のパフォーマンスを達成し、はるかに大きなモデルより優れています。
  論文  参考訳（メタデータ） (2026-05-06T12:28:17Z)
• Contrastive Learning with Narrative Twins for Modeling Story Salience [19.936257724469783]
  本稿では,ナラティブ・サリエンスをモデル化するための対照的な学習枠組みを提案する。 我々のモデルは、物語の双子と、類似した表面的特徴を持つが異なるプロットを持つ気晴らしとを区別するように訓練されている。 ROCStories corpus や長いウィキペディア・プロット・サマリーからの短い物語の実験では、コントラスト学習されたストーリーの埋め込みは、マスク付き言語モデルベースラインよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2026-01-12T17:48:46Z)
• StoryWriter: A Multi-Agent Framework for Long Story Generation [53.80343104003837]
  長いストーリー生成は、既存の大きな言語モデルにとって依然として課題である。 本稿では,3つの主要モジュールから構成されるマルチエージェント・ストーリー生成フレームワークであるStoryWriterを提案する。 StoryWriterは、ストーリーの品質と長さの両方において、既存のストーリー生成ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2025-06-19T16:26:58Z)
• Visual Storytelling with Question-Answer Plans [70.89011289754863]
  本稿では、事前訓練された言語モデルと計画に視覚表現を統合する新しいフレームワークを提案する。 我々のモデルは、画像列を視覚的な接頭辞、つまり言語モデルで解釈できる連続的な埋め込みの列に変換する。 また、一連の質問と回答のペアを青写真プランとして利用して、健全な視覚概念を選択し、物語にどのように組み立てるべきかを決定する。
  論文  参考訳（メタデータ） (2023-10-08T21:45:34Z)
• Neural Story Planning [8.600049807193413]
  本稿では,ニューラル言語モデルと因果計画を統合したストーリープロット生成手法を提案する。 我々のシステムは、物語における出来事の前提条件を推測し、その条件が真実になるイベントを推定する。 その結果,提案手法は複数の強基線よりもコヒーレントなプロットラインを生成することがわかった。
  論文  参考訳（メタデータ） (2022-12-16T21:29:41Z)
• Persona-Guided Planning for Controlling the Protagonist's Persona in Story Generation [71.24817035071176]
  本研究では,ペルソナとイベントの関係を明示的にモデル化する計画ベース生成モデルCONPERを提案する。 自動評価と手動評価の両方の結果から、CONPERはより一貫性のあるペルソナ制御可能なストーリーを生成するために最先端のベースラインより優れていることが示されている。
  論文  参考訳（メタデータ） (2022-04-22T13:45:02Z)
• Computational Lens on Cognition: Study Of Autobiographical Versus Imagined Stories With Large-Scale Language Models [95.88620740809004]
  GPT-3を用いた自伝的物語と想像的物語における出来事の物語の流れの相違について検討した。 想像された物語は自伝的物語よりも逐次性が高いことがわかった。 想像された物語と比較すると、自伝的な物語は、最初の人物に関連するより具体的な言葉と単語を含んでいる。
  論文  参考訳（メタデータ） (2022-01-07T20:10:47Z)
• Consistency and Coherency Enhanced Story Generation [35.08911595854691]
  生成したストーリーの一貫性と一貫性を高めるための2段階生成フレームワークを提案する。 第1段は物語の筋書きや出来事を描いた物語の輪郭を整理し、第2段は完全な物語へと輪郭を広げることである。 さらに、コア参照監視信号は、コア参照エラーを低減し、コア参照一貫性を向上させるために組み込まれている。
  論文  参考訳（メタデータ） (2020-10-17T16:40:37Z)

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。