🤖 AI

Narrative World Model: Narratology-Grounded Writer Memory for Long-Form Fiction

L'article présente le Modèle de Monde Narratif (NWM), un système de mémoire d'écriture qui exploite un graphe d'états temporels fondé sur la narratologie et une recherche hybride conditionnée par requête pour surpasser de manière significative les cadres de mémoire d'agents existants pour répondre à des questions complexes et multi-étapes sur l'évolution des états de l'histoire dans la fiction de longue haleine.

Auteurs originaux : Mohammad Saifullah, Thomas Kornmaier, Taaha Kazi, Vasu Sharma, Aditya Sanjiv Kanade, Aanand Kumar Yadav

Publié 2026-07-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mohammad Saifullah, Thomas Kornmaier, Taaha Kazi, Vasu Sharma, Aditya Sanjiv Kanade, Aanand Kumar Yadav

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez en train d'écrire un roman colossal de 50 chapitres. Vous êtes l'auteur, et vous avez une mémoire brillante pour les premiers chapitres, mais à mesure que l'histoire grandit, vous commencez à oublier les petits détails qui comptent le plus.

Le Problème : Vous vous souvenez que le héros a trouvé une carte secrète au Chapitre 3, mais vous oubliez qui d'autre était au courant. Est-ce que le méchant l'a découverte au Chapitre 10 ? Le héros l'a-t-il confiée à son ami au Chapitre 15 ? Si vous oubliez ces détails, vous pourriez écrire une scène au Chapitre 20 où le héros semble surpris par quelque chose qu'il savait déjà, brisant ainsi la logique de l'histoire.

Les outils d'IA actuels sont comme un bibliothécaire qui ne peut trouver des livres qu'en fonction de mots-clés. Si vous demandez : « Qui connaissait le secret et quand ? », le bibliothécaire pourrait vous tendre une page qui mentionne le secret, mais il ne vous dira pas qui le savait ni quand il l'a appris. Il pourrait vous tendre une page du Chapitre 25 alors que la réponse se trouvait en réalité au Chapitre 12.

La Solution : Le « Modèle de Monde Narratif » (NWM)

Les auteurs de ce document ont construit un nouveau type d'« assistant d'écriture » appelé le Modèle de Monde Narratif (NWM). Au lieu de simplement stocker du texte, le NWM stocke la logique narrative elle-même.

Voici comment cela fonctionne, en utilisant une analogie simple :

1. Le « Grand Livre de l'Histoire » (au lieu d'un simple déversement de texte)

Imaginez que la mémoire d'une IA standard soit comme un immense tas de post-it désorganisés. Vous devez lire des milliers d'entre eux pour trouver un détail spécifique.

Le NWM est différent. Il agit comme un grand livre spécialisé ou un tableur dramatique. Lorsqu'un chapitre est terminé, le NWM ne se contente pas de sauvegarder le texte ; il décompose l'histoire en faits spécifiques et étiquetés :

Qui sait quoi ? (ex : « Le méchant connaît le secret maintenant, mais le héros ne le sait pas. »)
Quand les choses se sont-elles produites par rapport à quand elles ont été révélées ? (ex : « Le meurtre a eu lieu au Chapitre 2, mais le détective ne l'a découvert qu'au Chapitre 10. »)
Une promesse a-t-elle été tenue ? (ex : « Le héros a promis de sauver le village au Chapitre 5 ; cette promesse est désormais « clôturée » au Chapitre 20. »)

Il traite ces détails comme des entrées distinctes et typées plutôt que comme de simples mots dans un paragraphe.

2. Le « Détective Voyageur du Temps » (Récupération)

Lorsque vous posez une question au système (comme « Qui connaissait le secret au Chapitre 15 ? »), un système normal cherchera probablement le mot « secret ».

Le NWM agit comme un détective doté d'une machine à remonter le temps. Il sait qu'au Chapitre 15, le méchant ne connaissait pas encore le secret, même si le lecteur l'a découvert au Chapitre 10. Il consulte son « grand livre », trouve l'entrée spécifique pour « Connaissance du Méchant » à « Chapitre 15 », et vous donne la réponse exacte et correcte. Il ignore le reste de l'histoire qui n'est pas pertinent pour ce moment précis du temps.

3. Le « Test Équitable »

Pour prouver l'efficacité de ce système, les auteurs ont mis en place un test strict :

Ils ont pris un ensemble de questions complexes sur de longues histoires qui nécessitent de relier des points entre différents chapitres (questions multi-étapes).
Ils ont soumis ces questions à différents systèmes d'IA :
- Le « Moteur de Recherche » (RAG) : Cherche simplement des mots-clés.
- Le « Graphe » (Graphiti) : Un système intelligent qui cartographie les relations, mais les traite comme des faits génériques (ex : « La personne A est liée à la personne B »).
- Le NWM : Leur nouveau système avec le grand livre de l'histoire.
Le Piège : Ils ont utilisé le même lecteur d'IA (un modèle très intelligent appelé Opus 4.8) pour lire les réponses fournies par tous ces systèmes. Cela garantit que le lecteur n'était pas biaisé ; la différence provenait uniquement de la manière dont l'information était récupérée.

Les Résultats : Pourquoi le NWM a gagné

Les résultats étaient clairs et significatifs :

Le « Moteur de Recherche » a presque tout faux car il ne pouvait pas relier les points entre les chapitres.
Le « Graphe Générique » (Graphiti) a mieux réussi, mais il passait encore à côté d'environ 40 % des questions complexes. Pourquoi ? Parce qu'il ne comprenait pas les concepts narratifs. Il savait que « la personne A » et « la personne B » étaient liées, mais il ne comprenait pas la différence entre l'« Ordre des Événements » (quand quelque chose s'est produit) et l'« Ordre de Révélation » (quand le personnage l'a découvert).
Le NWM a répondu correctement à 89,8 % des questions complexes.

L'article souligne que ce n'est pas parce que le NWM possédait un extracteur plus « intelligent » ou une base de données plus grande. Même lorsqu'ils ont forcé les autres systèmes à utiliser les mêmes outils d'extraction, le NWM a quand même gagné. L'avantage venait de la manière dont l'information était organisée. Le NWM organisait l'histoire selon des règles narratives (qui sait quoi, quand et pourquoi), tandis que les autres organisaient l'histoire par faits génériques.

L'Essentiel à Retenir

Voyez les choses ainsi :

Les anciens systèmes sont comme une bibliothèque où vous devez lire chaque livre pour trouver une phrase spécifique.
Le NWM est comme un GPS narratif. Il ne se contente pas de vous montrer la route ; il connaît le trafic, les détours et sait exactement où vous en êtes dans l'intrigue. Il comprend que dans une histoire, qui sait quoi est tout aussi important que ce qui s'est passé.

L'article conclut que pour écrire de la fiction longue et complexe, vous n'avez pas seulement besoin d'une mémoire qui se souvient des faits ; vous avez besoin d'une mémoire qui comprend le drame et la chronologie de l'histoire. Le NWM fournit cela, ce qui le rend bien meilleur pour répondre à des questions complexes sur l'évolution des états d'une histoire que la technologie actuelle.

Résumé Technique : Modèle de Monde Narratif (NWM)

Énoncé du Problème

La génération de fiction de longue forme souffre d'un décalage entre la fluidité locale et la durabilité de l'état narratif. Bien que les modèles puissent générer des scènes cohérentes, ils échouent souvent à maintenir la cohérence concernant l'évolution des états de l'histoire, tels que les frontières de connaissance des personnages (qui sait un secret et quand), la distinction temporelle entre l'ordre des événements et l'ordre des révélations, le statut des promesses non résolues et la dynamique des relations.

Les systèmes de récupération à usage général (RAG) et les cadres de mémoire d'agents représentent généralement des entités et des faits, mais manquent de la structure narratologique requise pour répondre à des questions multi-sauts sur l'état de l'histoire. Par exemple, un graphe standard peut suivre l'existence d'un objet, mais pas sa localisation par rapport à l'état « actuel » d'un chapitre spécifique, ou si la connaissance qu'un personnage a d'un événement précède la narration de cet événement. Les approches existantes font souvent remonter des preuves non pertinentes ou échouent à répondre à des questions nécessitant des preuves provenant de deux chapitres distincts ou plus, échouant spécifiquement sur les requêtes impliquant la focalisation, la fonction dramatique et les structures de mise en place/résolution (setup/payoff).

Méthodologie : Le Modèle de Monde Narratif (NWM)

Les auteurs proposent le Modèle de Monde Narratif (NWM), un système de mémoire pour écrivain conçu pour coupler un graphe d'états temporels typés, fondé sur la narratologie, à une récupération hybride conditionnée par la requête. Le système opère sur la prose finalisée des chapitres, traitant la mémoire comme un enregistrement de l'état accepté plutôt que comme une intention future.

1. Flux de Publication Causale

Le NWM traite les chapitres finalisés ( $C_n$ ) comme la source de vérité. Lors de la publication, un extracteur (Claude Sonnet 4.5) lit la prose et émet des enregistrements de mémoire typés directement, plutôt que des résumés en texte libre. Ces enregistrements sont estampillés de leur chapitre source et de leurs segments de preuve. Le système impose un arrêt causal strict : les requêtes pour le chapitre $n+1$ ne peuvent accéder qu'aux mises à jour achevées jusqu'au chapitre $n$ . La republication d'un chapitre édité invalide les arêtes descendantes dépendantes de l'état supplanté.

2. Schéma et Registres Globaux

Au lieu de faits génériques, le NWM extrait une structure de mémoire d'écrivain structurée et étayée par des preuves, contenant des champs narratologiques spécifiques :

État du Personnage : Objectifs, connaissances/inconnus (frontières épistémiques) et deltas de relations.
Intrigue/Promesse : Rôles structurels, statut ouvert/fermé et promesses de résolution (payoffs).
Fonction Narrative : Observateurs focalisés, battements dramatiques et marqueurs de tournant/renversement.
Validité Temporelle : Les enregistrements incluent des intervalles de validité (ex: quand un fait était vrai vs quand il a été révélé).

Ces enregistrements fusionnent dans des registres cumulatifs (personnages, relations, objets, fils conducteurs) qui exposent la dernière tranche causalement valide pour un point de contrôle donné.

3. Graphe de Connaissances Temporel (KG)

Le KG projette les états du schéma dans des relations temporelles. Les arêtes sont typées par la relation narrative qu'elles affirment (ex: connaissance, localisation, changement de polarité de relation, résolution de fil conducteur). Crucialement, les arêtes stockent des intervalles de validité, permettant au graphe de retourner « l'état à la fin du chapitre $n$ » en sélectionant la dernière arête valide pour une entité tout en préservant l'historique. Cela distingue le NWM des instantanés plats ou des résumés glissants qui perdent les anciens états pourtant actuels.

4. Récupération Hybride Conditionnée par la Requête

Pour répondre à une requête d'écrivain pour le chapitre $n+1$ , le NWM emploie un processus de récupération en quatre étapes :

Restriction Causale : Filtre le magasin pour les enregistrements dont le chapitre source est $\le n$ .
Classement de Nœuds Hybride : Classe les nœuds d'entités/graines en utilisant une fusion de BM25 et de vecteurs denses (reciprocal-rank fusion).
Expansion à Un Saut : Étend les nœuds les mieux classés pour inclure leurs voisinages typés à un saut, faisant remonter la structure narrative spécifique (ex: frontières de connaissance, ordre des révélations) requise pour la requête.
Assemblage de Paquet Borné : Fusionne et tronque les preuves en un paquet borné pour le lecteur.

Cette étape de « conditionnement » est critique ; elle diffère de la « Mémoire d'État NWM », qui sérialise simplement tout l'état actuel sans recherche de graphe spécifique à la requête.

5. Protocole d'Évaluation

Les auteurs évaluent le NWM en utilisant un lecteur maintenu constant (Opus 4.8) pour isoler les performances de la mémoire et de la récupération du comportement du générateur. Le lecteur répond aux questions en se basant uniquement sur le paquet de preuves fourni par chaque système.

Benchmarks : Un corpus privé de 5 livres sérialisés de type production (50 chapitres chacun) avec un benchmark multi-sauts de 176 éléments curatés, et un corpus public de 12 livres du domaine public avec un ensemble de 576 éléments (incluant un sous-ensemble multi-sauts de 110 éléments).
Baselines : Recherche simple, RAG (BGE+BM25), GraphRAG, et Graphiti/Zep (le cadre de KG temporel existant le plus robuste).
Contrôles d'Équité : Graphiti est extrait en utilisant le propre extracteur du NWM (Sonnet 4.5) pour s'assurer que la comparaison n'est pas biaisée par la qualité de l'extraction. Un test de robustesse ré-injecte Graphiti avec un extracteur moins coûteux (GPT-4.1-mini), montrant aucun changement significatif de précision.

Résultats Clés

Performance sur le QA Multi-Saut

La récupération par graphe NWM surpasse significativement toutes les bases de référence sur les questions narratologiques multi-sauts :

Corpus Privé (176 éléments multi-sauts) : La récupération par graphe NWM a atteint une précision de 0,898, comparée à 0,574 pour Graphiti (extracteur apparié). Le test de McNemar apparié a produit un résultat de 64–7 ( $p < 10^{-5}$ ).
Corpus Public (576 éléments) : Le NWM a atteint 0,625 de précision contre 0,516 pour Graphiti ( $p = 0,0001$ ).
Sous-ensemble Multi-sauts (Public) : Le NWM atteint 0,709 contre 0,582 pour Graphiti.

Ablation et Analyse

Représentation vs Extraction : L'écart de performance est représentatif, et non un artefact de l'extraction. La ré-injection de Graphiti avec un extracteur moins cher n'a pas modifié sa précision ( $p=0,89$ ), et le schéma générique de Graphiti a échoué à représenter les structures narratologiques (ex: focalisation, ordre de révélation) même en utilisant le même extracteur.
Conditionnement de la Récupération : La « Mémoire d'État NWM » (sérialisant tout l'état sans recherche conditionnée par la requête) a obtenu seulement 0,358 sur les éléments multi-sauts, échouant à battre Graphiti. Cela démontre que l'avantage provient de la récupération conditionnée par la requête faisant remonter des arêtes typées spécifiques, et non simplement de la présence du magasin typé.
Modes d'Échec : Sur les 64 éléments où le NWM a réussi et Graphiti a échoué, Graphiti s'est abstenu dans chaque cas car le fait d'or était absent de ses preuves récupérées. L'échec était dû à l'absence de structure narratologique dans la représentation, et non à des erreurs de raisonnement.
Taille du Graphe : Le graphe typé du NWM est plus petit que le graphe GraphRAG source, pourtant il répond à beaucoup plus de questions, indiquant que la décomposition structurée par la narration est le moteur, et non la densité du graphe.

Signification et Revendications

L'article soutient que la mémoire fondée sur la narratologie est une précondition nécessaire pour une génération de fiction de longue forme de haute qualité. La contribution primaire est de démontrer que la représentation de l'état de l'histoire via des unités narratologiques typées (focalisation, ordre de révélation, promesse/résolution) combinée à une récupération conditionnée par la requête permet de répondre à des questions multi-sauts sur l'état de l'histoire avec une précision nettement supérieure aux graphes de connaissances temporels génériques ou au RAG standard.

Les auteurs soulignent que le gain est représentatif : le système réussit parce qu'il modélise explicitement la structure du récit (qui sait quoi, quand, et comment cela fonctionne dramatiquement) plutôt que de simples relations d'entités génériques. L'article conclut que bien que le NWM fournisse les « preuves sûres par chapitre » pour les questions de l'écrivain, déterminer si cela conduit à une meilleure génération (continuation) reste un travail futur. Les résultats actuels isolent les composants de mémoire et de récupération, prouvant que la représentation et le conditionnement de la récupération sont les mécanismes opératoires du succès pour le raisonnement narratif multi-sauts.