AI 小说 / 长文写作论文整理
主题：LLM 驱动的长篇故事生成、长文写作、创意写作及其评估 整理时间：2026-07（最新一次更新：全部 47 篇 #00–46 深度精读完成 + 主索引按主题重构） 领域两大核心难题：长程连贯性（long-form coherence） 与 可控性（controllability）
本目录汇总该方向论文，并对 47 篇代表性论文（#00–46）做了深度精读（见 pdfs/ 的 *_精读.md）。选题主要来自 awesome-llm-story-generation（288 篇合集，其完整索引见 awesome-repo-index.md）。
📚 两层笔记： -
pdfs/*_精读.md= 深度精读（Obsidian PDF++ 风格，带可点击的原文引用坐标 + 图表截取 + 公式讲解），全部 47 篇均已完成；下方各表链接均指向精读笔记。 -papers/01..26_*.md= 早期的轻量摘要（每篇一页，问题/方法/结果/启发），仅覆盖 #01–26。 - PDF 原文与 arXiv ID 映射见 pdfs/MANIFEST.md。
📌 详细解读：全部 47 篇（#00–46）按主题分组
A. 综述与总纲（2）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 00 | A Survey on LLMs for Story Generation | 2025 | 生成侧总纲：按"主导作者"分 Independent（LLM 独立）vs Author-Assistance（人机协作）；点名领域缺综合基准与故事专用指标。建议阅读起点 |
| 23 | Story Evaluation Survey | 2024-08 | 评估侧地图册：任务 / 13 个人评维度 / 指标分类学 / 9 个基准 |
B. 长篇生成方法：规划 · 大纲 · 记忆 · 奖励训练（10）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 38 | Re3 | 2022-10 | 奠基：计划-起草-重排-编辑四段递归；后续 DOME/StoryWriter 等多为其变体 |
| 06 | Ex3 | 2024-08 | 从真实小说抽结构 → 构训练集 → 树状扩展，写任意长度小说 |
| 09 | LongWriter | 2024-08 | 写不长的根因是 SFT 无长样本；AgentWrite 合成数据解锁万字，工程基石 |
| 03 | DOME | 2024-12 | 动态分层大纲 + 时序知识图谱记忆，冲突率降 ~87%，主流方法代表作 |
| 07 | STORYTELLER | 2025-06 | SVO 情节节点 + 叙事实体图动态交互，人评胜率 84.33% |
| 39 | NCP / Learning to Reason | 2025-03 | RLVR：VR-CLI 用"计划能否提升真实下一章的似然"当免标注可验证奖励 |
| 40 | KG + Literary Theory | 2025-08 | 知识图谱记忆防漂移 + 叙事学 obstacle 框架主动制造转折 |
| 41 | CreAgentive | 2025-09 | 逻辑/文体解耦的 genre-agnostic Story Prototype，<$1/百章超长连载 |
| 05 | Book-Writing Capability | 2026-05 | 公版书反演多分辨率规划脚手架训练，14B 质量超 GPT-5.5 / Opus 4.8 |
| 08 | POLARIS | 2026-06 | 评委 rubric 当在线奖励 + 人类范文锚点，9B 追平 27B，外推 3× 长度 |
C. 多智能体 · 世界模拟 · 协作框架（6）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 42 | Chain of Agents | 2024-06 | 通用长上下文分段协作（worker + manager），NeurIPS 2024（非故事专用） |
| 14 | Agents' Room | 2024-10 | 4 规划 agent + 5 写作 agent（Freytag 五段），本领域奠基基线 |
| 12 | CogWriter | 2025-02 | 免训练，认知写作四过程 → Planning + 并行 Generation，14B 超 GPT-4o ~22% |
| 10 | StoryWriter | 2025-06 | 事件图大纲 → 非线性编排 → ReIO 压缩改写；蒸馏小模型超 GPT-4o |
| 11 | StoryBox | 2025-10 | 自底向上沙盒模拟，角色自由行动"涌现"事件，再组织成 ~1.2 万词 |
| 02 | Magnet / From Personas to Plot | 2026-07 | 角色即 agent + 共享世界状态图，扩展到 100 页；配 Atlas 幻觉检测 F1 0.853 |
D. 叙事技巧与结构：伏笔 · 张力 · 悬念 · 骨架（5）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 18 | Suspenseful Iterative Planning | 2024-02 | 首个 LLM 悬念生成：迭代"给主角行动 + 对抗性让其失败"，胜率 84.9%（自然度降 25%） |
| 04 | Codified Foreshadowing-Payoff | 2026-01 | 把"伏笔—回收"编码成可执行约束，显式"先埋后收" |
| 17 | Spoiler Alert | 2026-04 | 100-Endings 张力指标：LLM EQ 分最高却张力最低，后段仅《纽约客》1/3 |
| 16 | Skeleton Coherence | 2026-04 | 句子骨架建连贯，但实证整句仍胜骨架 ~8–9pp（反证主流方向对） |
| 15 | Storyline Trees | 2026-06 | 长篇自动构造成 4 层"故事线树"做自适应检索，叙事 QA 全面领先 |
E. 评估 · 诊断 · 基准 · 奖励模型（7）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 22 | HelloBench | 2024-09 | 主流模型几乎写不出 >4000 词长文；BLEU/ROUGE 与人评近乎零相关 |
| 44 | EvolvR | 2025-08 | 自进化成对推理评估器 → 当奖励模型提升生成，StoryER/HANNA/OpenMEVA SOTA |
| 20 | WritingBench | 2025-03 | 每条 query 现场生成 5 条专属评分标准，人一致性 67%→84% |
| 01 | Lost in Stories | 2026-03 | 一致性 bug 的 5 大类/19 子类分类 + 自动检测器；错误集中在叙事中段、高熵段落 |
| 31 | NARRA-Gym | 2026-05 | 多轮交互叙事的可执行评测环境（仿 Gym + 轨迹日志 + 11 维）；流畅 ≠ 鲁棒/个性化 |
| 32 | TTCW Literary Review | 2026-05 | 263K 故事 × 14 维自训评审模型；固定格式评分下推理监督反而有害，评分封顶 ~0.68 |
| 19 | StoryAlign | 2026-05 | 现有裁判几乎选不对人类偏好（GPT-4o 仅 66.3%），专用奖励模型达 75.0% |
F. 创造力 · 多样性 · 创意度量（8）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 46 | ASP Story | 2024-06 | 用答案集编程（ASP）写高层符号约束，引导并多样化 LLM 生成（神经符号） |
| 30 | DRAT / Assessing Creativity | 2026-05 | 系统检验创造力测试的预测有效性；发散思维随模型迭代下降 −0.47 z/年 |
| 21 | Narrative Flattening | 2026-05 | 受控实验证"叙事扁平化"主要发生在后训练阶段，专业文学被压最狠 |
| 45 | Style over Story | 2025-10 | 约束选择实验证 LLM 潜在偏好"风格 > 内容（事件/人物/设定）" |
| 27 | Calibrated Surprise | 2026-04 | 创意质量 = 校准的意外（互信息 I(X;Y)）；批评 rubric 与 RLHF 拉向人群均值 |
| 29 | Progressive Conditional Surprise | 2026-06 | Decan 多样性指标（base 模型 in-context surprise，无 embedding/参考/标注）；对齐单调降多样性 |
| 28 | Automated Creativity Eval | 2026-06 | 创造力拆发散（语义熵，免参考）× 收敛（检索式多 agent 判官，省 63% token） |
| 37 | CASPER | 2026-06 | Forster 扁平/圆形 → 8 组可测人物刻画范畴；LLM 人物过度象征化 + 千篇一律成长弧 |
G. 人机共创 · 写作工具 · 用户研究（3）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 33 | Fabula | 2026-06 | DeepMind（Dramatron 团队）写作 sidekick 田野研究；rubric auto-rater 相关性 0.72→0.83 |
| 34 | GraphStory | 2026-06 | 事件图作为"用户交互 ↔ LLM 输入"中间层的共创界面；HCI 用户研究（cs.HC） |
| 36 | AI Fiction in the Wild | 2026-06 | WildChat 50 万对话实证：1/3 是虚构、fanfiction 49%；类型契约内的可预测性非负面 |
H. 中文小说 / 中文写作场景（3）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 26 | CAT-LLM | 2024-01 | 词级 + 句级量化文体成 prompt，《围城》风格迁移 F1 79.36%；GPT-4 反不如 3.5 |
| 24 | BiT-MCTS | 2026-03 | 高潮优先 + 双向 MCTS 生成中文长篇，多样性胜率 77–92%，长达 5.8 万 token |
| 25 | Chinese Literature Homogeneity | 2026-03 | 用 34 个 Propp 功能解剖，证 LLM 中文网文同质化根因是"读不懂功能" |
I. 多模态与长上下文 · 能力边界（可迁移点）（3）
| # | 论文 | 年份 | 一句话 |
|---|---|---|---|
| 43 | TLDM | 2025-05 | 用小说测长上下文理解：LLM 在 64k+ token 上难以真正读懂长篇（生成前须结构化预处理） |
| 13 | MUSE | 2026-02 | 多模态音视频叙事的 plan-execute-verify-revise 闭环（注：多模态，非纯文本） |
| 35 | One Sentence, One Drama | 2026-05 | 一句话 → 整部短剧（视频）；多 agent 辩论压节奏 + 分区重写 + Idea Bank |
说明：分组按论文主要贡献归类，少数论文横跨多类（如 10 StoryWriter 兼具事件图规划与多智能体、35 One Sentence 兼具多模态与叙事节奏），此处取其一。年份用 arXiv 首次提交月份。
🧭 阅读建议路线
- 建立全局观：23（评估综述）+ 00（生成综述）→ 01（问题诊断）→ 03 / 10（两种主流方法）。
- 做长篇生成方法：09 LongWriter（先写得够长）→ 03 DOME / 10 StoryWriter（大纲+记忆 / 事件图）→ 02 Magnet（世界状态+多智能体）→ 05 Book-Writing（写得像文学）→ 38 Re3（理解四段递归的祖型）。
- 做评估 / 质量闸门：01 Lost in Stories → 19 StoryAlign / 44 EvolvR（奖励模型）→ 20 WritingBench / 22 HelloBench（基准）→ 31 NARRA-Gym（动态评测）→ 32 TTCW（自训评审的坑）。
- 研究创造力 / 多样性：21 Narrative Flattening（问题）→ 27 校准意外 / 28 发散收敛 / 29 Decan 多样性（度量）→ 30 DRAT（预测有效性）→ 37 CASPER（人物）→ 45 Style over Story（偏见）。
- 玩叙事技巧：04 伏笔编码 ↔ 17 张力度量（"生成 ↔ 度量"配对）→ 18 悬念规划 → 15 故事线树。
- 做中文小说：24 BiT-MCTS（高潮优先范式）↔ 25 同质化诊断（问题）→ 26 CAT-LLM（风格量化注入）。
- 做人机共创产品：00（Author-Assistance 象限）→ 33 Fabula / 34 GraphStory（工具形态）→ 36 AI Fiction（需求侧实证）。
📈 领域趋势小结（2022 → 2026）
- 从"单模型长输出"走向"多智能体 + 显式状态"：Re3/LongWriter/DOME → StoryWriter/StoryBox/Magnet；出现"自顶向下大纲派 vs 自底向上模拟派 vs 闭环约束派"三条路线。
- 评估越来越细、越来越"打脸"：从整体打分转向可定位的一致性 bug（01）、张力/悬念（17）、多样性/同质化（25）；并发现 BLEU/ROUGE 基本失效（22）、后训练会"压扁"文风（21）。
- 叙事学知识被显式编码：Campbell 五段（03）、Freytag 金字塔（14/24）、伏笔—回收（04）、Propp 功能（25）、Genette 叙事顺序（10）、Forster 扁平/圆形（37）纷纷进入生成/约束/评测。
- 小模型 + 好配方可打平大模型：POLARIS（08）9B 追平 27B、Book-Writing（05）14B 超前沿、StoryWriter/CogWriter 蒸馏或免训练超 GPT-4o —— 对成本敏感的写作产品是利好。
- 长度持续突破但连贯是瓶颈：从 ~7k 词（DOME）到 1.2 万词（StoryBox/CogWriter）乃至 5.8 万 token（BiT-MCTS）与"100 页"（Magnet）；而 TLDM（43）指出 LLM 对 64k+ 长篇的理解仍未跟上。
- 创意度量与多样性独立成线：从整体质量分裂出"发散/收敛"（28）、"校准的意外/互信息"（27）、多样性（29）、人物刻画（37）等专门度量；多篇独立发现"规模与后训练不提升、甚至压低创意/多样性"（21/28/30/37）。
- 奖励模型 / 评估模型路线兴起：StoryAlign（19）、EvolvR（44）、TTCW 自训评审（32）显示"专用评估/奖励模型 > 通用 LLM 评委"；NCP 的 VR-CLI（39）提供一种免标注可验证奖励。
- 从"一键生成"转向"人机共创"：写作 sidekick / 图结构共创界面（33/34）+ 真实用户需求实证（36），呼应综述（00）里的 Author-Assistance 象限。
🗂️ 全量论文清单（awesome-llm-story-generation 精编）
来源：Picrew/awesome-llm-story-generation（288 篇 / 10 大类，2026-06-29 更新；维护者即 Lost in Stories 团队）。 完整 288 篇逐条索引见 → awesome-repo-index.md。下面按 10 大类各挑代表作 + 最新工作，⭐ 为本目录已精读并附笔记（本目录已精读的 47 篇按主题分组见上方《详细解读》，与此处仓库的 10 类划分不同）。
| 分类 | 数量 | 与文字写作相关度 |
|---|---|---|
| A. Planning / Decomposition 规划分解 | 21 | ★★★ |
| B. Agent Collaboration 多智能体协作 | 6 | ★★★ |
| C. Sandbox / World Simulation 世界模拟 | 17 | ★★（偏互动剧/游戏） |
| D. Multimodal 图像/视频/漫画/音频 | 64 | ★（偏视觉） |
| E. Memory & Long-Context 记忆/长上下文 | 20 | ★★★ |
| F. Consistency / Controllability 一致性/可控 | 27 | ★★★ |
| G. Refinement / Self-Critique 精修/自评 | 16 | ★★★ |
| H. Evaluation / Benchmarks 评估/基准 | 75 | ★★★ |
| I. Datasets / Surveys 数据/综述 | 32 | ★★ |
| J. Open-source Projects 开源项目 | 10 | ★★ |
A. 规划 / 分解（21） — 长篇写作的主线：先规划骨架，再展开 - ⭐ DOME（NAACL 2024）、⭐ Ex3（ACL 2024）、⭐ STORYTELLER（ACL 2025）、⭐ Book-Writing Capability（2026-05）、⭐ Codified Foreshadowing（2026-01）、⭐ BiT-MCTS（2026-03，中文）、⭐ GraphStory（2026-06，事件图共创） - 未读留意：DOC（2022，详细大纲控制，奠基）、Navigating the Path of Writing（NAACL 2024）、DPWriter（2026-01，多样规划分支 RL）、Improving Pacing in Long-Form Story Planning（EMNLP 2023）
B. 多智能体协作（6） - ⭐ CogWriter（2025-02）、⭐ Agents' Room（ICLR 2024，奠基基线）、⭐ Chain of Agents（NeurIPS 2024，长上下文协作） - 未读留意：HoLLMwood（EMNLP 2024，角色扮演编剧）、AutoAgents（IJCAI 2023）
C. 世界模拟 / 互动叙事（17） — 偏"角色自由行动涌现剧情" - ⭐ StoryBox（2025-10，自底向上沙盒）、⭐ NARRA-Gym（2026-05，多轮交互评测环境） - 未读留意：Generative Agents（2023，斯坦福"小镇"，奠基）、BookWorld（2025-04，小说→智能体社会）、IBSEN（ACL 2024，导演-演员剧本）
D. 多模态（64） — 主要是视频/图像/漫画，文字写作弱相关 - ⭐ MUSE（2026-02，音视频叙事闭环）、⭐ One Sentence, One Drama（2026-05，短剧多 agent） - 文字相关少数：R²（ICLR 2025，小说→剧本，因果情节图）、SEED-Story、LongWriter-V
E. 记忆 & 长上下文（20） — 让长文"记得住、写得长" - ⭐ LongWriter（2024-08，工程基石）、⭐ Storyline Trees（2026-06）、⭐ POLARIS（2026-06）、⭐ KG + Literary Theory（2025-08）、⭐ TLDM（2025-05，长上下文理解基准） - 未读留意：RecurrentGPT（2023-05）、CHIRON（2024，长篇人物表示）、LongAlign（2024）、Self-Lengthen（2024）
F. 一致性 / 可控性（27） — 守住人设、世界规则、约束 - ⭐ ASP Story（ACL 2024 Workshop，符号约束多样化） - 未读留意：FACTTRACK（NAACL 2024，时间感知世界状态跟踪）、Suri（2024，多约束长文）、MoPS（ACL 2024，模块化 premise）、CS4（2024，用约束数量量化创造力）、Pastiche Novel（2025，模仿作者文风）
G. 精修 / 自我批评（16） — 写完再改，迭代提质 - ⭐ Suspenseful Iterative Planning（EACL 2024）、⭐ Re3（2022，递归重提示，奠基）、⭐ Fabula（2026-06，写作 sidekick 田野） - 未读留意：SuperWriter（2025-06，反思驱动）、R2-Write（2026-04，反思+修订）、Collective Critics（EMNLP 2024，多评委）、Finding Flawed Fictions（2025，情节漏洞检测）
H. 评估 / 基准（75，全库最大类） - ⭐ Lost in Stories、⭐ StoryAlign、⭐ WritingBench、⭐ HelloBench、⭐ Narrative Flattening、⭐ Spoiler Alert、⭐ 中文同质化 — 以及创意/多样性一批：⭐ Calibrated Surprise、⭐ Automated Creativity Eval、⭐ Conditional Surprise、⭐ DRAT、⭐ TTCW、⭐ CASPER、⭐ EvolvR、⭐ Style over Story、⭐ AI Fiction in the Wild - 未读留意：LitBench（2025-07）、LongEval（2025-02）、Are LLMs Capable of Human-Level Narratives?（EMNLP 2024）、Art or Artifice?（CHI 2023，奠基）
I. 数据 / 综述（32） - ⭐ Story Evaluation Survey（2024-08）、⭐ #00 生成综述（EMNLP 2025）、⭐ CAT-LLM（2024-01，中文风格迁移）、⭐ NCP（2025-03，RLVR 奖励）、⭐ CreAgentive（2025-09，超长连载引擎） - 未读留意：Narrative Theory-Driven LLM Methods: A Survey（2026-02）、What Makes a Good Story（2024-08）、Weaver（2024）、STORM（2024）、WritingPrompts（ACL 2020）
J. 开源项目（10） — 无论文的实用项目，详见仓库对应章节。