🤖 AI

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

이 논문은 서사학에 기반한 시점-상태 그래프와 질의 조건부 하이브리드 검색을 활용하여 장편 소설의 진화하는 이야기 상태에 관한 복잡한 다단계 질문에 답하는 데 있어 기존의 에이전트 메모리 프레임워크를 크게 능가하는 작가-메모리 시스템인 내러티브 월드 모델(Narrative World Model, NWM)을 소개한다.

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

게시일 2026-07-08

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 50장에 달하는 방대한 분량의 소설을 쓰고 있다고 상상해 보십시오. 당신은 작가이며, 초반 몇 장의 내용은 아주 잘 기억하지만, 이야기가 진행될수록 가장 중요한 세부 사항들을 잊어버리기 시작합니다.

문제점: 당신은 주인공이 3장에서 비밀 지도를 발견했다는 사실은 기억하지만, 그 외에 누가 그 사실을 알고 있었는지는 잊어버립니다. 악당이 10장에서 그 사실을 알게 되었나요? 아니면 주인공이 15장에서 친구에게 그 사실을 말했나요? 만약 이런 세부 사항들을 잊어버린다면, 당신은 20장에서 주인공이 이미 알고 있던 사실에 대해 놀라는 장면을 쓰게 될 것이고, 이는 이야기의 논리를 깨뜨리게 됩니다.

현재의 AI 도구들은 키워드를 기반으로 책을 찾아내는 사서와 같습니다. 만약 당신이 "누가 비밀을 언제 알게 되었는가?"라고 묻는다면, 사서는 '비밀'이라는 단어가 언급된 페이지를 건네줄 수는 있지만, 그 비밀을 누가 알았는지 또는 언제 알게 되었는지는 알려주지 못할 것입니다. 그들은 실제로는 12장에서 일어난 일임에도 불구하고 25장의 페이지를 건네줄 수도 있습니다.

해결책: "서사 세계 모델" (Narrative World Model, NWM)

이 논문의 저자들은 **서사 세계 모델(NWM)**이라는 새로운 종류의 "작가 보조 도구"를 구축했습니다. NWM은 단순히 텍스트를 저장하는 대신, 이야기의 논리 자체를 저장합니다.

작동 방식은 다음과 같은 간단한 비유를 통해 설명할 수 있습니다.

1. "스토리 장부" (단순한 텍스트 덤프 대신)

표준적인 AI의 메모리가 정리되지 않은 거대한 포스트잇 더미와 같다면, 특정 세부 사항 하나를 찾기 위해 수천 장의 메모를 다 읽어야 합니다.

NWM은 다릅 own습니다. NWM은 특화된 장부 또는 드라마틱한 스프레드시트처럼 작동합니다. 한 장(chapter)이 끝나면, NWM은 단순히 텍스트를 저장하는 것이 아니라, 이야기를 구체적이고 라벨이 붙은 사실들로 분해합니다:

누가 무엇을 알고 있는가? (예: "현재 악당은 비밀을 알고 있지만, 주인공은 모른다.")
사건이 일어난 시점 vs 드러난 시점 (예: "살인은 2장에서 일어났지만, 형사는 10장에서야 그 사실을 알게 되었다.")
약속이 이행되었는가? (예: "주인공은 5장에서 마을을 구하겠다고 약속했습니다. 이 약속은 20장에서 '종결'되었습니다.")

NMT는 이러한 세부 사항들을 단순한 문장 속 단어가 아니라, 구별되는 유형의 항목(entry)으로 취급합니다.

2. "시간 여행을 하는 탐정" (검색/추출)

시스템에 질문을 던질 때(예: "15장에서 누가 비밀을 알고 있었나?"), 일반적인 시스템은 단순히 "비밀"이라는 단어를 검색할 것입니다.

NWM은 시간 여행을 하는 탐정처럼 행동합니다. NWM은 10장에서 독자가 사실을 알게 되었더라도, 15 시점에서는 악당이 아직 비밀을 몰랐다는 것을 알고 있습니다. NWM은 자신의 "장부"를 찾아 "악당의 지식"에 대한 "15장 시점"의 특정 항목을 찾아내어 정확한 답을 제시합니다. 또한 해당 시점과 관련 없는 나머지 이야기들은 무시합니다.

3. "공정한 테스트"

이것이 효과적임을 증证明하기 위해, 저자들은 엄격한 테스트를 설정했습니다:

그들은 여러 장에 걸쳐 점들을 연결해야 하는 까다로운 질문들이 포함된 복잡한 긴 이야기들을 가져왔습니다 (Multi-hop questions).
이 질문들을 서로 다른 AI 시스템들에게 주었습니다:
- "검색 엔진" (RAG): 단순히 키워드를 찾습니다.
- "그래프" (Graphiti): 관계를 매핑하는 똑똑한 시스템이지만, 이를 일반적인 사실(예: "A라는 사람은 B와 관계가 있다")로 취급합니다.
- NWM: 그들의 새로운 스토리 장부 시스템입니다.
핵심 조건: 그들은 모든 시스템이 제공한 답변을 읽는 데 동일한 AI "독자"(매우 똑똑한 모델인 Opus 4.8)를 사용했습니다. 이는 독자가 편향되지 않도록 하기 위함이며, 차이점은 오직 정보가 어떻게 추출되었느냐에 달려 있음을 보장합니다.

결과: 왜 NWM이 승리했는가

결과는 명확하고 유의미했습니다:

**"검색 엔진"**은 장과 장 사이의 점들을 연결하지 못했기 때문에 거의 모든 것을 틀렸습니다.
**"일반 그래프" (Graphiti)**는 더 나은 성과를 보였지만, 여전히 까다로운 질문의 약 40%를 놓쳤습니다. 왜일까요? 그것은 서사적 개념을 이해하지 못했기 때문입니다. 그것은 "사람 A"와 "사람 B"가 연결되어 있다는 것은 알았지만, "사건 순서(언제 일어났는가)"와 "공개 순서(캐릭터가 언제 알게 되었는나)"의 차이를 이해하지 못했습니다.
NWM은 까다로운 질문의 **89.8%**를 맞혔습니다.

이 논문은 NWM이 더 똑똑한 추출기를 가졌거나 더 큰 데이터베이스를 가졌기 때문이 아니라고 강조합니다. 다른 시스템들에게도 동일한 추출 도구를 사용하도록 강제했을 때도 NWM은 여전히 승리했습니다. 이 이점은 정보가 어떻게 조직되었는가에서 왔습니다. NWM은 서사적 규칙(누가 무엇을 알고, 언제, 왜 알고 있는지)에 따라 이야기를 조직한 반면, 다른 시스템들은 일반적인 사실에 따라 조직했습니다.

결론

이렇게 생각해보십시오:

기존 시스템은 특정 문장을 찾기 위해 모든 책을 다 읽어야 하는 도서관과 같습니다.
NWM은 스토리 GPS와 같습니다. 단순히 길을 보여주는 것이 아니라, 교통 상황, 우회로, 그리고 당신이 플롯의 정확히 어디에 있는지 알고 있습니다. N-WM은 이야기에서 누가 무엇을 아는가가 무슨 일이 일어났는가만큼 중요하다는 것을 이해합니다.

논문은 긴 호흡의 복잡한 허구를 쓰는 데 있어서, 단순히 사실을 기억하는 메모리가 필요한 것이 아니라, 이야기의 드라마와 타임라인을 이해하는 메모리가 필요하다고 결론짓습니다. NWM은 이를 제공함으로써, 현재의 기술보다 변화하는 이야기의 상태에 대한 복잡한 질문에 훨씬 더 뛰어난 성능을 보여줍니다.

기술 요약: 내러티브 월드 모델 (Narrative World Model, NWM)

문제 정의

장편 소설 생성은 국소적인 유창성(local fluency)과 지속적인 내러티브 상태(durable narrative state) 사이의 단절 문제로 어려움을 겪는다. 모델은 개별 장면을 일관되게 생성할 수는 있지만, 캐릭터의 지식 경계(누가 언제 비밀을 알게 되었는지), 사건 순서와 공개 순서의 시간적 구분, 미결된 약속의 상태, 그리고 관계 역학 등 진화하는 스토리 상태를 유지하는 데는 종종 실패한다.

범용 검색 시스템(RAG) 및 에이전트 메모리 프레임워크는 엔티티와 사실을 표현할 수는 있지만, 스토리 상태에 관한 다단계(multi-hop) 질문에 답하는 데 필요한 **내러티브 구조(narratological structure)**를 갖추고 있지 않다. 예를 들어, 표준 그래프는 특정 객체가 존재한다는 사실은 추적할 수 있지만, 특정 장(chapter)의 "현재" 상태와 비교했을 때 그 객체의 위치가 어떠한지, 혹은 캐릭터가 해당 사건을 인지한 시점이 서사에서 해당 사건이 공개된 시점보다 앞서는지 여부는 파악하지 못한다. 기존 방식들은 관련 없는 증거를 제시하거나, 초점화(focalization), 극적 기능(dramatic function), 설정/보상(setup/payoff) 구조와 관련된 질의에 대응하는 데 실패하며, 두 개 이상의 서로 다른 장에서 추출된 증거를 필요로 하는 질문에 답변하지 못하는 경우가 많다.

방법론: 내러티브 월드 모델 (NWM)

저자들은 내러티브 이론에 기반한 유형화된 시간적 상태 그래프(typed temporal-state graph)와 질의 조건부 하이브리드 검색(query-conditioned hybrid retrieval)을 결려한 작가용 메모리 시스템인 **내러티브 월드 모델(NWM)**을 제안한다. 이 시스템은 완성된 장의 산문(prose)을 바탕으로 작동하며, 메모리를 미래의 의도가 아닌 '수용된 상태의 기록'으로 취급한다.

1. 인과적 발행 흐름 (Causal Publish Flow)

NWM은 완성된 장( $C_n$ )을 진실의 근거(source of truth)로 취급한다. 발행 시, 추출기(Claude Sonnet 4.5)는 산문을 읽고 자유 형식의 요약이 아닌 **유형화된 메모리 레코드(typed memory records)**를 직접 생성한다. 이 레코드들은 출처가 되는 장과 증거 구간(evidence spans)을 함께 기록한다. 시스템은 엄격한 인과적 차단(causal cutoff)을 강제한다: 장 $n+1$ 에 대한 질의는 장 $n$ 까지 완료된 업데이트만을 접근할 수 있다. 수정된 장을 재발행할 경우, 대체된 상태에 의존하는 하위 엣지(edge)들은 무효화된다.

2. 스키마 및 글로벌 레지스트리

NWM은 일반적인 사실 대신, 구체적인 내러티브적 필드를 포함하는 구조화되고 증거에 기반한 작가 메모리 구조를 추출한다:

캐릭터 상태: 목표, 지식/미인지(지식의 경계), 관계 변화량(relationship deltas).
플롯/약속: 구조적 역할, 개방/폐쇄 상태, 약속된 보상(promised payoffs).
내러티브 기능: 초점화된 관찰자, 극적 비트(dramatic beats), 전환/반전 마커.
시간적 유효성: 레코드는 유효 구간(예: 특정 사실이 언제 참이었는지 대로 언제 공개되었는지)을 포함한다.

이러한 레코드들은 누적된 레지스트리(캐릭터, 관계, 객체, 스레드)로 병합되어, 특정 체크포인트에 대해 인과적으로 유효한 최신 슬라이스를 노출한다.

3. 시간적 지식 그래프 (Temporal KG)

KG는 스키마 상태를 시간적 관계로 투영한다. 엣지는 그것이 주장하는 내러티브 관계(예: 지식, 위치, 관계 극성 변화, 스레드 해소)에 의해 유형화된다. 결정적으로, 엣지는 유효 구간을 저장하여, 그래프가 과거의 상태를 보존하면서도 엔티티에 대한 최신 유효한 엣지를 선택함으로써 "장 $n$ 시점의 상태"를 반환할 수 있게 한다. 이는 NWM을 단순한 스냅샷이나 롤링 요약(rolling summaries)과 구별 짓는 요소로, 과거의 상태를 잃어버리는 문제를 방지한다.

4. 질의 조건부 하이브리드 검색 (Query-Conditioned Hybrid Retrieval)

장 $n+1$ 을 위한 작가의 질의에 답하기 위해, NWM은 4단계 검색 프로세스를 수행한다:

인과적 제한: 출처 장이 $n$ 이하인 레코드로 저장소를 필터링한다.
하이브리드 노드 랭킹: 상호 순위 결합(reciprocal-rank fusion)을 사용하여 BM25와 밀집 벡터(dense vectors)의 융합을 통해 엔티티/시드 노드의 순위를 매긴다.
원 홉 확장 (One-Hop Expansion): 상위 랭크된 노드들을 유형화된 1-홉 이웃(one-hop neighborhoods)으로 확장하여, 질의에 필요한 구체적인 내러티브 구조(예: 지식 경계, 공개 순서)를 드러낸다.
경계 패킷 조립: 증거를 경계가 정해진 패킷(bounded packet)으로 병합하고 절삭하여 독자에게 전달한다.

이 "조건부(conditioning)" 단계는 매우 중요하다. 이는 단순히 모든 현재 상태를 직렬화하는 "NWM 상태 메모리(NWM State Memory)"와는 다르며, 여기에는 질의에 따른 그래프 탐색 과정이 포함된다.

5. 평가 프로토ル (Evaluation Protocol)

저자들은 메모리와 검색 성능을 생성기(generator)의 동작으로부터 분리하기 위해 고정된 독자(held-constant reader, Opus 4.8)를 사용하여 평가를 진행한다. 이 독자는 각 시스템이 제공한 증거 패킷에만 기반하여 질문에 답한다.

벤치마크: 5개의 생산 스타일 연재 도서(각 50개 장)로 구성된 프라이빗 코퍼스와 12개의 공공 도메인 도서로 구성된 퍼블릭 코퍼스(176개의 멀티홉 항목 포함)를 사용한다.
베이스라인: Simple Search, RAG (BGE+BM25), GraphRAG, 그리고 Graphiti/Zep(가장 강력한 기존 시간적 KG 프레임워크)을 비교 대상으로 한다.
공정성 통제: 추출 품질로 인한 혼란을 방서하기 위해, Graphiti는 NWM의 추출기(Sonnet 4.5)를 사용하여 추출한다. 또한, 더 저렴한 추출기(GPT-4.1-mini)로 Graphiti를 재입력하는 로버스트니스 체크를 통해 추출 품질에 따른 차이가 없음을 확인했다.

주요 결과

멀티홉 QA 성능

NWM 그래프 검색은 멀티홉 내러티브 질문에서 모든 베이스라인을 유의미하게 능가했다:

프라이빗 코퍼스 (176개 멀티홉 항목): NWM 그래프 검색은 0.898의 정확도를 달성했으며, 이는 추출기가 동일한 Graphiti의 0.574와 비교된다. 결합된 McNemar 테스트 결과는 64–7 ( $p < 10^{-5}$ )였다.
퍼블릭 코퍼스 (576개 항목): NWM 그래프 검색은 0.625의 정확도를 기록한 반면, Graphiti는 0.516을 기록했다 ( $p = 0.0001$ ).
멀티홉 서브셋 (퍼블릭): NWM은 0.709를 달성하여 Graphiti의 0.582를 앞질렀다.

절제 실험 및 분석 (Ablation and Analysis)

표현 vs 추출: 성능 차이는 표현(representation)의 문제이지 추출의 결과가 아니다. 저렴한 추출기로 Graphiti를 재입력해도 정확도에 유의미한 변화가 없었으며( $p=0.89$ ), Graphiti의 일반적인 스키마는 동일한 추출기를 사용하더라도 내러티브 구조(예: 초점화, 공개 순서)를 표현하지 못했다.
검색 조건화: "NWM 상태 메모리"(질의 조건부 검색 없이 모든 상태를 직렬화함)는 멀티홉 항목에서 0.358점에 그쳐 Graphiti를 이기지 못했다. 이는 이 시스템의 이점이 단순히 유형화된 저장소의 존재가 아니라, 질의 조건부 검색을 통해 특정 유형의 엣지를 드러내는 데 있음을 입증한다.
실패 모드: NWM은 성공하고 Graphiti는 실패한 64개 항목에서, Graphiti는 골드 팩트(gold fact)가 검색된 증거에 부재했기 때문에 **답변을 유보(abstain)**했다. 이는 추론 오류가 아니라, 표현 단계에서 내러티브 구조가 결여되었기 때문에 발생한 문제였다.
그래프 크기: NWM의 유형화된 그래프는 소스 GraphRAG 그래프보다 작지만 훨씬 더 많은 질문에 답한다. 이는 내러티브 구조에 기반한 분해가 핵심 동력이지, 그래프의 밀도가 아님을 나타낸다.

의의 및 주장

본 논문은 내러티브 기반의 메모리가 고품질 장편 소설 생성을 위한 필수 전제 조건이라고 주장한다. 주요 기여는 유형화된 내러티브 단위(초점화, 공개 순서, 약속/보상)를 통해 스토리 상태를 표현하고 이를 질의 조건부 검색과 결합하는 것이, 일반적인 시간적 지식 그래프나 표준 RAG보다 멀티홉 스토리 상태 질문에 훨씬 높은 정확도로 답할 수 있음을 입증한 것이다.

저자들은 이러한 이점이 **표현(representational)**에서 온다는 점을 강조한다. 즉, 시스템이 성공하는 이유는 단순히 엔티티 간의 일반적인 관계를 넘어, 내러티브의 구조(누가 무엇을 언제 알고 있으며, 그것이 극적으로 어떻게 기능하는지)를 명시적으로 모델링하기 때문이다. 본 논문은 NWM이 작가의 질문에 대해 "장 단위로 안전한 증거"를 제공한다는 점을 입증하였으나, 이것이 실제 생성(연속성)의 질을 어떻게 높이는지에 대한 평가는 향후 과제로 남겨두었다. 현재의 결과는 메모리와 검색 컴포넌트를 격리하여, 표현과 검색 조건화가 멀티홉 내러티브 추론의 성공을 이끄는 핵심 메커니즘임을 증명하였다.