Text-to-Stage: Spatial Layouts from Long-form Narratives

1. 문제 정의 (Problem Definition)

이 연구는 장편 서사 텍스트 (Long-form Narratives) 에서 명시적인 공간적 단서가 부족할 때, 언어 모델이 인간과 유사한 공간 추론 능력을 발휘하여 무대 배역 (Stage Layout) 을 생성할 수 있는지를 탐구합니다.

• 핵심 과제 (Text-to-Stage): 연속된 서사 텍스트 (예: 소설의 한 장) 를 입력받아 구조화된 무대 연극 형식 (Scene, 화자, 위치, 이동, 장면 전환) 으로 변환하는 작업입니다.
• 도전 과제:
  • 희소성: 원문 텍스트에는 화자의 위치나 이동에 대한 명시적 지시가 거의 없습니다.
  • 다중 해답성: 동일한 텍스트에 대해 여러 가지 타당한 무대 배치가 가능합니다.
  • 복잡한 추론: 단순한 화자 식별을 넘어, 프로크세믹스 (Proxemics, 인간 간 거리), 시각적 균형, 주/부조화, 이동의 경제성 등 연극 및 시각 구성 원리를 적용해야 합니다.

2. 방법론 (Methodology)

저자들은 DRAMATURG Spatializer라는 모델을 제안하며, 이를 학습시키기 위해 **결정론적 평가 (Deterministic Evaluation)**와 **검증 가능한 보상 (Verifiable Rewards)**을 기반으로 한 학습 파이프라인을 구축했습니다.

A. 작업 형식화 및 데이터

• 출력 형식: 텍스트를 JSON 스키마로 변환합니다. 이는 장면 헤더, 캐스트 목록, 그리고 각 대사에 대한 화자 식별과 3x3 격자 무대 (Front/Middle/Back × Left/Center/Right) 상의 위치 할당을 포함합니다.
• 데이터셋:
  • PDNC (Project Dialogism Novel Corpus): 고전 영어 소설의 인용구 귀속 및 별칭 해결을 위한 주석이 달린 데이터.
  • Synthetic Augmentation: 팬픽션 (FanFic) 데이터를 활용하여 스타일 다양성을 확보하고, 강력한 Teacher 모델 (Llama-4-Maverick 등) 을 통해 Best-of-N 샘플링과 거절 (Rejection) 기법을 사용하여 고품질 합성 데이터를 생성했습니다.

B. 결정론적 연극 평가 도구 (Deterministic Dramaturgy Evaluator)

학습과 평가를 위해 인간 연극 이론 (Hall & Hall, Block, Hodge & McLain 등) 에 기반한 규칙 기반 평가 도구 $R(x, y)$를 설계했습니다. 이는 5 가지 구성 요소로 나뉩니다:

1. 구조적 유효성 (Structural Validity): JSON 포맷 및 필수 필드 준수.
2. 텍스트 기반성 (Text Grounding): 인용구와 화자 매칭, 별칭 해결의 정확성.
3. 공간 구성 (Spatial Composition): 주된 화자는 무대 앞쪽 (Downstage) 에 배치, 좌우 균형 유지, 삼각형 구도 형성 등.
4. 이동 일관성 (Movement Coherence): 불필요한 이동 방지, 측면 이동 (Lateral) 우선, 깊이 방향 (Depth) 의 불필요한 왕복 방지.
5. 장면 구조 및 전환 (Scene Structure): 장소/시간/초점 변화에 따른 장면 구분 및 등장인물의 연속성 유지.

C. 학습 파이프라인 (Training Recipe)

1. 거부 기반 SFT (Rejection SFT): Teacher 모델이 생성한 여러 후보 (Best-of-N) 중 결정론적 평가 도구로 점수가 가장 높은 것만 필터링하여 SFT 데이터를 구성하고 모델을 학습시킵니다.
2. 검증 가능한 보상을 통한 RL (RLVR with GRPO): SFT 이후, Group Relative Policy Optimization (GRPO) 알고리즘을 적용합니다.
   • 각 입력에 대해 여러 경로를 샘플링하고, 결정론적 평가 도구로 점수를 매깁니다.
   • 그룹 내 상대적 이점 (Group-relative advantage) 을 계산하여 정책을 업데이트합니다.
   • KL 정규화를 통해 참조 모델 (Reference Model) 로부터의 과도한 이탈을 방지합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 작업 정의 (C1): 장편 서사 텍스트를 무대 연극 JSON (장면, 화자, 위치, 이동 포함) 으로 매핑하는 암묵적 공간 추론 (Implicit Spatial Reasoning) 작업을 처음 정의했습니다.
2. 결정론적 평가 도구 (C2): 연극 및 시각 구성 원리 (프로크세믹스, 균형, 이동 경제성 등) 를 검증 가능한 제약 조건과 구성 요소 점수로 구체화한 평가 스위트 개발.
3. 학습 및 추론 레시피 (C3): 거절 SFT, Best-of-N 선택, 그리고 GRPO 기반의 검증 가능한 보상 RL 을 결합한 훈련 파이프라인 제안. 이를 통해 공간적 타당성과 이동 일관성을 크게 향상시켰습니다.

4. 실험 결과 (Results)

• 성능 향상: 제안된 Spatializer-GRPO 모델은 PDNC 검증 세트에서 **88.5%**의 평균 결정론적 점수를 기록했습니다.
  • 이는 최상위 오픈소스 모델 (Llama-4-Scout 등, 83.4%) 보다 +5.1%p, 최상위 상용 모델 (Claude Sonnet 3.5, 82.0%) 보다 +6.5%p 높은 성능을 보였습니다.
  • 특히 무대 위치 (Stage Pos.), 캐릭터 배치 (Char. Pos.), 이동 일관성 (Move. Coh.) 항목에서 큰 개선을 보였습니다.
• 평가 도구 유효성:
  • 결정론적 평가 도구는 인간 전문가의 선호도와 Spearman 상관관계 0.95로 매우 높은 일치도를 보였습니다.
  • LLM-as-a-Judge 평가나 인간 선호도 연구 (이중 청취 테스트) 에서도 모델의 순위가 인간 판단과 잘 부합함을 입증했습니다.
• 강건성 (Robustness): GRPO 로 학습된 모델은 프롬프트의 세부 지침 (Dramaturgy constraints) 이 생략되더라도 성능이 크게 떨어지지 않는 반면, SFT 만으로 학습된 모델은 프롬프트에 매우 민감하게 반응했습니다.

5. 의의 및 한계 (Significance & Limitations)

• 의의:
  • 자동화: 소설이나 대본을 게임 프리비주얼라이제이션 (Previsualization), 공간 오디오북 (Spatial Audiobook) 제작 등에 즉시 활용 가능한 무대 배치를 자동 생성할 수 있습니다.
  • 신뢰성 있는 RL: "검증 가능한 보상 (Verifiable Rewards)"을 사용하여 추상적인 창의적 작업 (연극 연출) 에서도 RL 이 효과적으로 작동함을 입증했습니다.
  • 공간 추론 능력: LLM 이 명시적 단서가 없는 텍스트에서도 복잡한 공간적, 시간적 관계를 추론할 수 있음을 보여줍니다.
• 한계:
  • 장면 전환 (Scene Transitions): 여전히 가장 낮은 점수를 받는 항목이며, 긴 호흡의 장면 전환 시 논리 오류가 발생하기도 합니다.
  • 이산적 표현: 3x3 격자 기반의 이산적 위치 할당은 연속적인 이동 궤적이나 물리적 리얼리즘을 완벽하게 표현하지 못합니다.
  • 데이터 편향: 평가 데이터가 고전 영어 소설에 집중되어 있어 현대 대화체나 다른 장르/언어로의 일반화 가능성은 검증이 필요합니다.

결론

이 논문은 텍스트 기반 서사를 공간적 무대 배치로 변환하는 새로운 과제를 제시하고, 연극 이론에 기반한 결정론적 평가 도구를 통해 LLM 의 공간 추론 능력을 체계적으로 향상시키는 방법을 제시했습니다. 특히 GRPO 를 활용한 검증 가능한 보상 학습은 복잡한 창의적 작업에서 LLM 의 성능을 극대화하는 유효한 전략임을 입증했습니다.