Resumo Técnico: Modelo de Mundo Narrativo (NWM)

Declaração do Problema

A geração de ficção de longa duração sofre com uma desconexão entre a fluência local e o estado narrativo durável. Embora os modelos consigam gerar cenas coerentes, eles frequentemente falham em manter a consistência em relação à evolução dos estados da história, tais como os limites de conhecimento dos personagens (quem sabe um segredo e quando), a distinção temporal entre a ordem dos eventos e a ordem da revelação, o status de promessas não resolvidas e a dinâmica de relacionamentos.

Sistemas de recuperação de propósito geral (RAG) e frameworks de memória de agentes tipicamente representam entidades e fatos, mas carecem da estrutura narratológica necessária para responder a perguntas de múltiplos saltos (multi-hop) sobre o estado da história. Por exemplo, um grafo padrão pode rastrear que um objeto existe, mas não sua localização relativa ao "estado atual" de um capítulo específico, ou se o conhecimento de um personagem sobre um evento precede a narração desse evento. Abordagens existentes frequentemente trazem evidências irrelevantes ou falham em responder perguntas que exigem evidências de dois ou mais capítulos distintos, especificamente falhando em consultas envolvendo focalização, função dramática e estruturas de preparação/recompensa (setup/payoff).

Metodologia: O Modelo de Mundo Narrativo (NWM)

Os autores propõem o Modelo de Mundo Narrativo (NWM), um sistema de memória para escritores projetado para parear um grafo de estado temporal tipado, fundamentado na narratologia, com uma recuperação condicionada por consulta. O sistema opera sobre a prosa de capítulos finalizados, tratando a memória como um registro de estado aceito, em vez de intenção futura.

1. Fluxo de Publicação Causal

O NWM trata os capítulos finalizados ($C_n$) como a fonte da verdade. Após a publicação, um extrator (Claude Sonnet 4.5) lê a prosa e emite registros de memória tipados diretamente, em vez de resumos de texto livre. Esses registros são carimbados com seu capítulo de origem e intervalos de evidência. O sistema impõe um corte causal estrito: consultas para o capítulo $n+1$ só podem acessar atualizações completadas até o capítulo $n$. A republicação de um capítulo editado invalida as arestas descendentes dependentes do estado substituído.

2. Esquema e Registros Globais

Em vez de fatos genéricos, o NWM extrai uma estrutura de memória de escritor estruturada e baseada em evidências contendo campos narratológicos específicos:

• Estado do Personagem: Objetivos, conhecimentos/desconhecimentos (limites epistêmicos) e deltas de relacionamento.
• Enredo/Promessa: Papéis estruturais, status de aberto/fechado e recompensas prometidas (promised payoffs).
• Função Narrativa: Observadores focalizados, batidas dramáticas e marcadores de virada/reversão.
• Validade Temporal: Os registros incluem intervalos de validade (ex: quando um fato era verdadeiro versus quando ele foi revelado).

Esses registros fundem-se em registros cumulativos (personagens, relacionamentos, objetos, fios narrativos) que expõem a fatia mais recente e causalmente válida para um determinado checkpoint.

3. Grafo de Conhecimento Temporal (KG)

O KG projeta os estados do esquema em relações temporais. As arestas são tipadas pelo tipo de relação narrativa que afirmam (ex: conhecimento, localização, mudança de polaridade de relacionamento, resolução de fio). Crucialmente, as arestas armazenam intervalos de validade, permitindo que o grafo retorne o "estado conforme o capítulo $n$" ao selecionar a aresta válida mais recente para uma entidade, preservando o histórico. Isso distingue o NWM de snapshots planos ou resumos rotativos que perdem estados antigos, porém atuais.

4. Recuperação Híbrida Condicionada por Consulta

Para responder a uma consulta do escritor para o capítulo $n+1$, o NWM emprega um processo de recuperação de quatro estágios:

1. Restrição Causal: Filtra o armazenamento para registros com capítulos de origem $\le n$.
2. Ranking de Nós Híbrido: Classifica nós de entidade/semente usando uma fusão de BM25 e vetores densos (reciprocal-rank fusion).
3. Expansão de Um Salto (One-Hop Expansion): Expande os nós mais bem classificados para incluir seus vizinhos tipados de um salto, trazendo à tona a estrutura narrativa específica (ex: limites de conhecimento, ordens de revelação) exigida pela consulta.
4. Montagem de Pacote Delimitado: Mescla e trunca as evidências em um pacote delimitado para o leitor.

Este passo de "condicionamento" é crítico; ele difere da "Memória de Estado NWM", que simplesmente serializa todo o estado atual sem a busca em grafo condicionada pela consulta.

5. Protocolo de Avaliação

Os autores avaliam o NWM usando um leitor constante (Opus 4.8) para isolar o desempenho de memória e recuperação do comportamento do gerador. O leitor responde a perguntas baseando-se apenas no pacote de evidências fornecido por cada sistema.

• Benchmarks: Um corpus privado de 5 livros serializados de produção (50 capítulos cada) com um benchmark multi-salto curado de 176 itens, e um corpus público de 12 livros de domínio público com um conjunto de 576 itens (incluindo um subconjunto multi-salto de 110 itens).
• Baselines: Busca Simples, RAG (BGE+BM25), GraphRAG e Graphiti/Zep (o framework de KG temporal mais forte existente).
• Controles de Justiça: O Graphiti é extraído usando o próprio extrator do NWM (Sonnet 4.5) para garantir que a comparação não seja confundida pela qualidade da extração. Uma verificação de robustez re-insere o Graphiti usando um extrator mais barato (GPT-4.1-mini), mostrando que não houve mudança significativa na precisão.

Principais Resultados

Desempenho em QA Multi-salto (Multi-Hop QA)

A Recuperação de Grafo do NWM supera significativamente todos os baselines em perguntas narratológicas de múltiplos saltos:

• Corpus Privado (176 itens multi-salto): A Recuperação de Grafo do NWM alcançou 0,898 de precisão, comparado a 0,574 do Graphiti (com extrator correspondente). O teste de McNemar pareado resultou em 64–7 ($p < 10^{-5}$).
• Corpus Público (576 itens): A Recuperação de Grafo do NWM alcançou 0,625 de precisão versus 0,516 do Graphiti ($p = 0,0001$).
• Subconjunto Multi-salto (Público): O NWM atingiu 0,709 contra 0,582 do Graphiti.

Ablação e Análise

• Representação vs. Extração: A lacuna de desempenho é representacional, não um artefato de extração. A re-inserção do Graphiti com um extrator mais barato não alterou sua precisão ($p=0,89$), e o esquema genérico do Graphiti falhou em representar estruturas narratológicas (ex: focalização, ordem de revelação) mesmo utilizando o mesmo extrator.
• Condicionamento de Recuperação: A "Memória de Estado NWM" (serializando todo o estado sem busca condicionada por consulta) pontuou apenas 0,358 nos itens multi-salto, falhando em superar o Graphiti. Isso demonstra que a vantagem provém da recuperação condicionada por consulta, que traz à tona arestas tipadas específicas, e não meramente da presença do depósito tipado.
• Modos de Falha: Nos 64 itens onde o NWM teve sucesso e o Graphiti falhou, o Graphiti absteve-se em todos os casos porque o fato fundamental estava ausente de sua evidência recuperada. A falha deveu-se à ausência de estrutura narratológica na representação, não a erros de raciocínio.
• Tamanho do Grafo: O grafo tipado do NWM é menor que o grafo do GraphRAG de origem, porém responde a muito mais perguntas, indicando que a decomposição estruturada pela narrativa é o motor, não a densidade do grafo.

Significância e Alegações

O artigo afirma que a memória fundamentada na narratologia é uma precondição necessária para a geração de alta qualidade de ficção de longa duração. A principal contribuição é demonstrar que representar o estado da história através de unidades narratológicas tipadas (focalização, ordem de revelação, promessa/recompensa) combinada com a recuperação condicionada por consulta permite que um sistema responda a perguntas de estado de história multi-salto com precisão significativamente maior do que grafos de conhecimento temporal genéricos ou RAG padrão.

Os autores enfatizam que o ganho é representacional: o sistema tem sucesso porque modela explicitamente a estrutura da narrativa (quem sabe o quê, quando e como isso funciona dramaticamente) em vez de apenas relações de entidades genéricas. O artigo conclui que, embora o NWM forneça a "evidência segura por capítulo" para perguntas de escritores, a avaliação de se isso levará a uma melhor geração (continuação) permanece como um trabalho futuro. Os resultados atuais isolam os componentes de memória e recuperação, provando que a representação e o condicionamento da recuperação são os mecanismos operacionais para o sucesso no raciocínio narratológico multi-salto.