Resumo Técnico: Text-to-Stage – Layouts Espaciais a partir de Narrativas de Longo Formato

1. O Problema

O trabalho aborda a capacidade de Modelos de Linguagem de Grande Escala (LLMs) de realizar raciocínio espacial implícito a partir de texto não estruturado. Embora humanos (leitores e diretores de teatro) consigam inferir configurações espaciais de personagens e falantes mesmo quando as pistas posicionais explícitas são escassas, os LLMs atuais lutam com essa tarefa.

O desafio específico é a tarefa "Text-to-Stage" (Texto para Palco):

• Entrada: Uma janela contínua de narrativa literária (ex: capítulos de romances clássicos) que carece de cues espaciais, posicionais ou relacionais explícitos.
• Saída: Uma representação estruturada de peça teatral (JSON) que inclui:
  1. Segmentação de cenas.
  2. Atribuição de falas e resolução de aliases (nomes alternativos dos personagens).
  3. Posicionamento de personagens em uma grade discreta de palco (ex: 3x3: frente/meio/trás × esquerda/centro/direita).
  4. Anotação de entradas, saídas e movimentos.

A dificuldade reside na necessidade de inferir geometria, saliência e continuidade ao longo de horizontes longos, garantindo que o layout seja plausível dramaticamente e visualmente equilibrado, não apenas sintaticamente correto.

2. Metodologia

Os autores propõem um pipeline de treinamento e inferência que combina Ajuste Fino Supervisionado (SFT) com Aprendizado por Reforço a partir de Recompensas Verificáveis (RLVR), utilizando o algoritmo GRPO (Group Relative Policy Optimization).

A. Representação e Avaliação Determinística

Para tornar a qualidade mensurável e otimizável, os autores criaram um avaliador determinístico inspirado na dramaturgia e na composição visual. Este avaliador $R(x, y)$ atribui uma pontuação em $[0, 1]$ baseada em cinco componentes:

1. Validade Estrutural: Verifica se o JSON é válido e segue o esquema.
2. Ancoragem no Texto: Garante que o falante atribuído corresponda à citação e que os aliases sejam normalizados para nomes canônicos.
3. Composição Espacial: Avalia a profundidade (saliência), o equilíbrio esquerda-direita e a formação de composições estáveis (ex: evitar alinhamentos colineares, preferir arranjos triangulares).
4. Coerência de Movimento: Penaliza movimentos desnecessários ("thrashing") e recompensa movimentos econômicos e motivados pela narrativa (preferindo ajustes laterais sobre oscilações de profundidade).
5. Estrutura de Cena e Transições: Verifica se as mudanças de cena correspondem a shifts de foco dramático e se as transições de bloqueio são contínuas.

B. Pipeline de Treinamento

O processo ocorre em duas etapas principais:

1. SFT com Rejeição (Rejection SFT):

   • Utiliza um modelo "professor" forte para gerar múltiplos candidatos de layout para um mesmo texto (amostragem Best-of-N, onde N=64).
   • O avaliador determinístico pontua cada candidato.
   • Apenas os candidatos com a maior pontuação (e que passam por filtros de qualidade) são mantidos para o treinamento supervisionado do modelo estudante. Isso cria um conjunto de dados sintéticos de alta qualidade.

2. Pós-treinamento com RL (GRPO):

   • O modelo SFT é refinado usando Reinforcement Learning from Verifiable Rewards (RLVR) com GRPO.
   • Para cada entrada, o modelo gera um grupo de trajetórias (candidatos).
   • O avaliador determinístico calcula a recompensa para cada um.
   • O algoritmo GRPO otimiza a política maximizando a vantagem relativa dentro do grupo, com regularização KL para evitar desvios excessivos do modelo de referência. Isso permite que o modelo aprenda a maximizar diretamente as métricas de qualidade dramática.

3. Contribuições Principais

1. (C1) Nova Formulação de Tarefa: Definição formal da tarefa de "Book-to-Play" espacial implícito, mapeando passagens de livros para JSON estruturado de peça teatral com cenas, falantes, posições e movimentos.
2. (C2) Suite de Avaliação Determinística: Criação de um avaliador baseado em regras que codifica princípios de dramaturgia (proxêmica, equilíbrio visual, economia de movimento) em restrições verificáveis e pontuações componentes.
3. (C3) Receita de Treinamento e Inferência: Desenvolvimento de um método que combina SFT com rejeição, seleção Best-of-N e RL com recompensas verificáveis (GRPO), demonstrando ganhos significativos em plausibilidade espacial e coerência de movimento.

4. Resultados

Os experimentos foram conduzidos em um corpus de literatura clássica em inglês (PDNC - Project Dialogism Novel Corpus) e dados sintéticos de fanfiction.

• Desempenho Geral: O modelo Spatializer-GRPO alcançou a melhor pontuação média macro (88.5%), superando:
  • O melhor modelo open-source baseline (Llama-4-Scout / Llama-3.3-70B-it) em +5.1 pontos.
  • O melhor modelo proprietário (Claude Sonnet 3.5) em +6.5 pontos.
• Métricas Específicas: Os ganhos foram concentrados em componentes globais de encenação:
  • Posicionamento no Palco (Stage Pos.): 92.1%
  • Posicionamento de Personagem (Char. Pos.): 92.5%
  • Coerência de Movimento (Move. Coh.): 98.25%
• Validação Externa:
  • O avaliador determinístico mostrou alta correlação com preferências humanas (Spearman $\rho = 0.95$) e precisão de rank (93.3%), superando avaliadores baseados em LLMs ("LLM-as-a-Judge").
  • Um estudo de preferência humana com áudios espacializados (binaurais) confirmou que os layouts gerados pelo modelo GRPO são preferidos em comparação a modelos zero-shot e controles negativos (mono ou aleatório).
• Robustez: O modelo treinado com GRPO manteve alta performance mesmo com prompts simplificados, enquanto modelos SFT puro e zero-shot sofreram quedas significativas de qualidade quando as instruções detalhadas de dramaturgia foram removidas.

5. Significado e Impacto

Este trabalho demonstra que LLMs podem aprender a realizar raciocínio espacial complexo e de longo prazo quando guiados por recompensas verificáveis baseadas em princípios humanos (neste caso, dramaturgia).

• Aplicações Práticas: O sistema automatiza o processo de "Texto para Peça", permitindo aplicações em:
  • Pré-visualização para jogos (game previsualization).
  • Livros de áudio espacializados (audiobooks) com posicionamento dinâmico de vozes.
  • Ferramentas de auxílio para roteiristas e diretores.
• Avanço Metodológico: O sucesso do uso de recompensas determinísticas (em vez de apenas feedback humano ou LLM-as-a-judge) para treinar modelos de raciocínio espacial sugere um caminho promissor para otimizar tarefas onde a "verdade" pode ser definida por regras lógicas e princípios de design, reduzindo a ambiguidade inerente ao treinamento de RL.

Em suma, o paper estabelece um novo paradigma para a geração de layouts espaciais a partir de texto, provando que a combinação de princípios de domínio (teatro) com técnicas avançadas de RL (GRPO) supera significativamente os modelos de linguagem padrão em tarefas de compreensão espacial implícita.