🤖 AI

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

Het artikel introduceert het Narrative World Model (NWM), een schrijvers-geheugensysteem dat gebruikmaakt van een op narratologie gebaseerde temporele-toestandsgraaf en query-geconditioneerde hybride retrieval om bestaande agent-geheugenframeworks aanzienlijk te overtreffen bij het beantwoorden van complexe, multi-hop vragen over evoluerende verhaaltoestanden in langvormige fictie.

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

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme roman van 50 hoofdstukken schrijft. Jij bent de auteur en je hebt een briljant geheugen voor de eerste paar hoofdstukken, maar naarmate het verhaal groeit, begin je de kleine details te vergeten die er juist toe doen.

Het Probleem: Je weet nog dat de held in Hoofdstuk 3 een geheime kaart heeft gevonden, maar je vergeet wie er nog meer van wist. Is de schurk er in Hoofdstuk 10 achter gekomen? Heeft de held het in Hoofdstuk 15 aan zijn vriend verteld? Als je deze details vergeet, schrijf je misschien in Hoofdstuk 20 een scène waarin de held verrast reageert op iets wat hij eigenlijk al wist, wat de logica van het verhaal doorbreekt.

Huidige AI-tools zijn als een bibliothecaris die alleen boeken kan vinden op basis van trefwoorden. Als je vraagt: "Wie wist het geheim en wanneer?", kan de bibliothecaris je een pagina overhandigen waarin het geheim wordt genoemd, maar het vertelt je niet wie het wist of wanneer ze het wisten. De bibliothecaris kan je een pagina uit Hoofdstuk 25 overhandigen, terwijl het antwoord eigenlijk in Hoofdstuk 12 stond.

De Oplossing: Het "Narrative World Model" (NWM)

De auteurs van dit paper hebben een nieuw soort "schrijfassistent" gebouwd, genaamd het Narrative World Model (NWM). In plaats van alleen tekst op te slaan, slaat NWM de verhaallogica zelf op.

Zo werkt het, met een eenvoudige analogie:

1. Het "Verhaal-Grootboek" (In plaats van een Tekstdump)

Stel je voor dat het geheugen van een standaard AI een enorme stapel ongeorganiseerde briefjes is. Je moet duizenden van die briefjes doorlezen om één specifiek detail te vinden.

NWM is anders. Het fungeert als een gespecialiseerd grootboek of een dramatische spreadsheet. Wanneer een hoofdstuk is voltooid, slaat NWM niet alleen de tekst op; het breekt het verhaal af in specifieke, gelabelde feiten:

Wie weet wat? (bijv. "De schurk weet het geheim nu, maar de held weet het niet.")
Wanneer gebeurde dingen versus wanneer werden ze onthuld? (bijv. "De moord vond plaats in Hoofdstuk 2, maar de detective kwam er pas in Hoofdstuk 10 achter.")
Is een belofte nagekomen? (bijv. "De held beloofde in Hoofdstuk 5 het dorp te redden; die belofte is nu 'afgerond' in Hoofdstuk 20.")

Het behandelt deze details als afzonderlijke, getypeerde vermeldingen in plaats van alleen woorden in een paragraaf.

2. De "Tijdreizende Detective" (Retrieval)

Wanneer je het systeem een vraag stelt (zoals "Wie wist het geheim in Hoofdstuk 15?"), zoekt een normaal systeem misschien gewoon naar het woord "geheim".

NWM fungeert als een detective met een tijdmachine. Het weet dat de schurk in Hoofdstuk 15 het geheim nog niet wist, ook al kwam de lezer er in Hoofdstuk 10 al achter. Het zoekt in zijn "grootboek", vindt de specifieke vermelding voor "Kennis van de Schurk" op het tijdstip van "Hoofdstuk 15", en geeft je het exacte, correcte antwoord. Het negeert de rest van het verhaal dat niet relevant is voor dat specifieke moment in de tijd.

3. De "Eerlijke Test"

Om te bewijzen dat dit werkt, hebben de auteurs een strikte test opgezet:

Ze namen een reeks lastige vragen over lange verhalen die het verbinden van punten over verschillende hoofdstukken vereisen (Multi-hop vragen).
Ze gaven de vragen aan verschillende AI-systemen:
- De "Zoekmachine" (RAG): Zoekt alleen naar trefwoorden.
- De "Graaf" (Graphiti): Een slim systeem dat relaties in kaart brengt, maar deze behandelt als generieke feiten (bijv. "Persoon A is gerelateerd aan Persoon B").
- NWM: Hun nieuwe systeem met het verhaal-grootboek.
De Catch: Ze gebruikten dezelfde AI-"lezer" (een zeer slim model genaamd Opus 4.8) om de antwoorden te lezen die door al deze systemen werden geleverd. Dit zorgde ervoor dat de lezer niet bevooroordeeld was; het verschil lag puur in hoe de informatie werd opgehaald.

De Resultaten: Waarom NWM Won

De resultaten waren duidelijk en significant:

De "Zoekmachine" kreeg bijna alles fout omdat het de verbanden tussen de hoofdstukken niet kon leggen.
De "Generieke Graaf" (Graphiti) deed het beter, maar miste nog steeds ongeveer 40% van de lastige vragen. Waarom? Omdat het geen verhaalconcepten begreep. Het wist dat "Persoon A" en "Persoon B" met elkaar verbonden waren, maar begreep het verschil niet tussen "Volgorde van Gebeurtenissen" (wanneer iets gebeurde) en "Volgorde van Onthulling" (wanneer een personage erachter kwam).
NWM had 89,8% van de lastige vragen goed.

Het paper benadrukt dat dit niet kwam omdat NWM een "slimmere" extractor of een grotere database had. Zelfs toen ze de andere systemen dwongen om dezelfde extractietools te gebruiken, won NWM nog steeds. Het voordeel kwam voort uit hoe de informatie werd georganiseerd. NWM organiseerde het verhaal volgens narratieve regels (wie weet wat, wanneer en waarom), terwijl de anderen het organiseerden volgens generieke feiten.

De Kern van het Verhaal

Denk er zo over na:

Oude systemen zijn als een bibliotheek waar je elk boek moet lezen om een specifieke zin te vinden.
NWM is als een verhaal-GPS. Het laat niet alleen de weg zien; het kent het verkeer, de omleidingen en weet precies waar je bent in het plot. Het begrijpt dat in een verhaal wie wat weet net zo belangrijk is als wat er gebeurt.

Het paper concludeert dat voor het schrijven van lange, complexe fictie, je niet alleen een geheugen nodig hebt dat feiten onthoudt; je hebt een geheugen nodig dat de drama en de tijdlijn van het verhaal begrijpt. NWM biedt dat, waardoor het veel beter is in het beantwoorden van complexe vragen over evoluerende verhaaltoestanden dan de huidige technologie.

Technische Samenvatting: Narrative World Model (NWM)

Probleemstelling

Generatie van langlopende fictie lijdt onder een disconnect tussen lokale vloeiendheid en duurzame narratieve staat. Hoewel modellen coherente scènes kunnen generen, falen ze vaak in het handhaven van consistentie met betrekking tot evoluerende verhaalstatussen, zoals de grenzen van de kennis van personages (wie weet welk geheim en wanneer), het temporele onderscheid tussen gebeurtenisvolgorde en onthullingsvolgorde, de status van onvervulde beloftes en de dynamiek van relaties.

Algemene retrieval-systemen (RAG) en agent-geheugenframeworks representeren typisch entiteiten en feiten, maar missen de narratologische structuur die vereist is om vragen over de verhaalstaat met meerdere stappen (multi-hop) te beantwoorden. Een standaard grafiek kan bijvoorbeeld bijhouden dat een object bestaat, maar niet de locatie ervan ten opzichte van de "huidige" staat van een specifiek hoofdstuk, of of de kennis van een personage over een gebeurtenis voorafgaat aan de narratie van die gebeurtenis. Bestaande benaderingen presenteren vaak irrelevante bewijslast of falen bij vragen die bewijs vereisen uit twee of meer verschillende hoofdstukken, specifiek bij vragen die betrekking hebben op focalisatie, dramatische functie en setup/payoff-structuren.

Methodologie: Het Narrative World Model (NWM)

De auteurs stellen het Narrative World Model (NWM) voor, een schrijversgeheugensysteem ontworpen om een aan narratologie gegrond, getypeerd temporeel-staat-grafiek te koppelen aan query-geconditioneerde hybride retrieval. Het systeem opereert op gefinaliseerde hoofdstukproza, waarbij geheugen wordt behandeld als een verslag van geaccepteerde staat in plaats van toekomstige intentie.

1. Causal Publish Flow

NWM behandelt gefinaliseerde hoofdstukken ( $C_n$ ) als de bron van waarheid. Bij publicatie leest een extractor (Claude Sonnet 4.5) de proza en genereert direct getypeerde geheugenrecords, in plaats van vrije tekst-samenvattingen. Deze records worden voorzien van een stempel van hun bronhoofdstuk en bewijsstukken (evidence spans). Het systeem handhaaft een strikte causale afkapwaarde: queries voor hoofdstuk $n+1$ kunnen alleen toegang krijgen tot updates die zijn voltooid tot en met hoofdstuk $n$ . Het opnieuw publiceren van een bewerkt hoofdstuk maakt downstream edges ongeldig die afhankelijk zijn van de vervangen staat.

2. Schema en Globale Registries

In plaats van generieke feiten extraheert NWM een gestructureerde, door bewijs ondersteunde schrijversgeheugenstructuur die specifieke narratologische velden bevat:

Character State: Doelen, kennis/onbekenden (epistemische grenzen) en relatie-delta's.
Plot/Promise: Structurele rollen, open/gesloten status en beloofde payoffs.
Narrative Function: Gefocaliseerde observeerders, dramatische beats en turn/reversal markers.
Temporal Validity: Records bevatten validiteitsintervallen (bijv. wanneer een feit waar was versus wanneer het werd onthuld).

Deze records versmelten tot cumulatieve registries (personages, relaties, objecten, threads) die de nieuwste causaal geldige slice voor een bepave checkpoint blootstellen.

3. Temporele Kennisgrafiek (KG)

De KG projecteert schema-staten in temporele relaties. Edges zijn getypeerd door de narratieve relatie die zij beweren (bijv. kennis, locatie, relatie-polariteit verandering, thread resolutie). Cruciaal is dat edges validiteitsintervallen opslaan, waardoor de grafiek de "staat zoals die is bij hoofdstuk $n$ " kan retourneren door de nieuwste geldige edge voor een entiteit te selecteren, terwijl de historie behouden blijft. Dit onderscheidt NWM van platte snapshots of rollende samenvattingen die oude-maar-huidige staten verliezen.

4. Query-Conditioned Hybrid Retrieval

Om een schrijversquery voor hoofdstuk $n+1$ te beantwoorden, gebruikt NWM een vierfasen retrievalproces:

Causal Restriction: Filtert de store naar records met bronhoofdstukken $\le n$ .
Hybrid Node Ranking: Rangschikt entiteit/seed-nodes met behulp van een fusie van BM25 en dense vectoren (reciprocal-rank fusion).
One-Hop Expansion: Breidt de hoogst gerangschikte nodes uit naar hun getypeerde one-hop buren, waardoor de specifieke narratieve structuur (bijv. kennisgrenzen, onthullingsvolgorde) naar voren komt die voor de query vereist is.
Bounded Packet Assembly: Voegt de bewijslast samen en knipt deze af tot een begrensde packet voor de lezer.

Deze "conditionering"-stap is cruciaal; het verschilt van "NWM State Memory", wat simpelweg de huidige staat serialiseert zonder query-specifieke grafiekzoekopdrachten.

5. Evaluatieprotocol

De auteurs evalueren NWM met een held-constant reader (Opus 4.8) om de geheugen- en retrievalprestaties te isoleren van het generatorgedrag. De lezer beantwoordt vragen gebaseerd alleen op de door elk systeem geleverde evidence packet.

Benchmarks: Een private corpus van 5 geproduceerde seriële boeken (50 hoofdstukken per stuk) met een gecureerde 176-item multi-hop benchmark, en een publieke corpus van 12 publieke domein boeken met een 576-item set (inclusief een 110-item multi-hop subset).
Baselines: Simple Search, RAG (BGE+BM25), GraphRAG, en Graphiti/Zep (het sterkste bestaande temporele-KG framework).
Fairness Controls: Graphiti wordt geëxtraheerd met de eigen extractor van NWM (Sonnet 4.5) om te zorgen dat de vergelijking niet wordt vertroebeld door de kwaliteit van de extractie. Een robuustheidscheck her-ingest de Graphiti met een goedkopere extractor (GPT-4.1-mini), wat geen significante verandering in nauwkeurigheid laat zien.

Belangrijkste Resultaten

Prestaties op Multi-Hop QA

NWM Graph Retrieval presteert aanzienlijk beter dan alle baselines op multi-hop narratologische vragen:

Private Corpus (176 multi-hop items): NWM Graph Retrieval behaalde een nauwkeurigheid van 0.898, vergeleken met 0.574 voor Graphiti (extractor-gematcht). De gekoppelde McNemar-test leverde een resultaat op van 64–7 ( $p < 10^{-5}$ ).
Public Corpus (576 items): NWM Graph Retrieval behaalde 0.625 nauwkeurigheid versus 0.516 voor Graphiti ( $p = 0.0001$ ).
Multi-hop Subset (Public): NWM bereikte 0.709 versus Graphiti's 0.582.

Ablatie en Analyse

Representatie vs. Extractie: Het prestatieverschil is representatief, niet een artefact van extractie. Het opnieuw in te voeren van Graphiti met een goedkopere extractor veranderde de nauwkeurigheid niet ( $p=0.89$ ), en de generieke schema van Graphiti slaagde er niet in om narratologische structuren (bijv. focalisatie, onthullingsvolgorde) te representeren, zelfs niet bij gebruik van dezelfde extractor.
Retrieval Conditioning: "NWM State Memory" (het serialiseren van de volledige staat zonder query-geconditioneerde zoekopdracht) scoorde slechts 0.358 op multi-hop items, en slaagde er niet in om Graphiti te verslaan. Dit toont aan dat het voordeel voortkomt uit query-geconditioneerde retrieval die specifieke getypeerde edges naar voren brengt, en niet louter uit de aanwezigheid van de getypeerde store.
Foutmodi: Bij de 64 items waar NWM slaagde en Graphiti faalde, onthield Graphiti zich in elk geval omdat de gouden fact afwezig was uit de teruggevonden bewijslast. De fout kwam door de afwezigheid van narratologische structuur in de representatie, niet door redeneerfouten.
Grafiek Grootte: De getypeerde grafiek van NWM is kleiner dan de bron GraphRAG-grafiek, maar beantwoordt veel meer vragen, wat aangeeft dat de narratieve-gestructureerde decompositie de drijfveer is, niet de grafiekdichtheid.

Betekenis en Claims

Het artikel claimt dat narratologie-gegronde geheugen een noodzakelijke voorwaarde is voor hoogwaardige langdurige fictiegeneratie. De primaire bijdrage is het aantonen dat het representeren van de verhaalstaat via getypeerde narratologische eenheden (focalisatie, onthullingsvolgorde, promise/payoff) gecombineerd met query-geconditioneerde retrieval een systeem in staat stelt om multi-hop verhaalstaat-vragen met aanzienlijk hogere nauwkeurigheid te beantwoorden dan generieke temporele kennisgrafieken of standaard RAG.

De auteurs benadrukken dat de winst representatief is: het systeem slaagt omdat het expliciet de structuur van het verhaal modelleert (wie wat weet, wanneer, en hoe het dramatisch functioneert) in plaats van enkel generieke entiteitsrelaties. Het paper concludeert dat hoewel NWM de noodzakelijke "hoofdstuk-veilige bewijslast" biedt voor schrijversvragen, de evaluatie of dit leidt tot betere generatie (continuatie) toekomstig werk blijft. De huidige resultaten isoleren de geheugen- en retrieval-componenten, waarmee wordt bewezen dat de representatie en de retrieval-conditionering de werkzame mechanismen zijn voor succes in multi-hop narratologisch redeneren.