paper_type: 综述与文献回顾 type_confidence: 高 reading_depth: 标准精读 title: A Survey on LLMs for Story Generation authors: Maria Teleki, Vedangi Bengali, Xiangjue Dong, Sai Tejas Janjur, Haoran Liu, Tian Liu, Cong Wang, Ting Liu, Yin Zhang, Frank Shipman, James Caverlee year: 2025 source: Findings of EMNLP 2025, pp.13954–13966 pdf: 00_survey_llm_story_generation.pdf tags: [论文精读, 综述, 故事生成, 人机共创, 评价]
LLM 故事生成综述：真正的分界不是模型，而是谁拥有作者权
一句话答案：这篇综述最有用的贡献，是用“LLM 主写还是人类主写”把 NLP 生成系统与 HCI 共创工具放进同一张地图；但它只覆盖少量指定顶会论文，因此能帮助读者选择研究路线，不能代表整个领域的完整统计。
为什么故事生成需要重新画一张地图
LLM 故事研究看似都在“让模型写故事”，实际却包含两种目标完全不同的工作：一类希望系统独立交付成文，另一类希望模型帮助人类作者构思、修改或互动。若只按模型、Agent 数量或规划算法分类，产品目标、评价标准和作者控制会被混在一起。
这篇综述的核心问题因此不是“哪种模型最好”，而是：怎样用一个足够简单的框架，把独立生成与人类主导的共创研究放进同一张可比较地图？ 作者的答案是以 primary authorship 为第一分叉，再比较方法、数据、故事类型、评价和 LLM 使用。下文先检查这张地图怎样划界，再看它揭示了什么，最后判断窄检索范围使哪些结论仍不可靠。
先给结论
- 分类框架。分类学先分 Independent 与 Author Assistance；前者再分单 Agent 与多 Agent，后者再分 adaptive 与 static story。（论文报告，§2，图 2）
- 证据图景。跨论文比较显示数据、模型、任务和评价协议高度异质，小规模用户研究与不稳定的 LLM-as-a-Judge 很难形成可靠横向排名。（论文报告，§3–5，表 1）
- 作者议程。统一 Benchmark、故事专用指标、推理时约束、开放或小模型、多模态一致性及长期用户效果，是作者提出的主要研究空白。（作者主张，§6、附录 B–C）
- 阅读判断。“谁是主作者”适合决定产品路线，却不足以描述控制强度、状态表示、作品长度和证据效度；落到技术选择时仍需第二组坐标轴。（阅读者分析）
这张地图怎样划定覆盖范围和分类
检索范围。作者检索 2023–2025 年 CHI、CSCW、ACL、EMNLP、NAACL、COLING、TACL 中与 LLM 故事生成相关的论文，并因贡献独特额外纳入 FDG 的 StoryVerse。论文把 LLM 限定为 2022 年后、GPT-4 出现后的大模型。（论文报告，附录 A）
范围边界。这个范围使 NLP 与 HCI 研究能在同一框架中对照，却也决定了它更接近 venue-bounded narrative survey，而非系统综述：论文没有报告检索式、候选数量、逐步排除理由、双人筛选一致性或方法学质量评分，也可能漏掉 arXiv、AAAI、NeurIPS、ICLR、数字人文、游戏研究和产业系统。（阅读者分析）
分类逻辑：Independent。这一类把 LLM 当作主作者：单 Agent 方法包括受约束、prompt-based 与 outline-based，多 Agent 方法分 sequential co-authoring 与 role-based collaboration，代表系统包括 OSOS、MLD-EA、MOPS、DOME、CollabStory、SWAG 和 CRITICS。（论文报告，§2.1）
这些系统的共同目标是独立交付故事，差别在约束来自规则、规划、记忆、行动判别器还是多角色反馈。（阅读者分析）
分类逻辑：Author Assistance。这一类把人类视为主作者。Adaptive stories 会随玩家或读者输入变化，如 StoryVerse；Static stories 最终形成固定文本，又分 conversational 与 prompt-based，代表系统包括 CharacterMeet、MatheMyths、Metamorpheus 和 MEAT。（论文报告，§2.2）
这条路线的成功不只取决于文本质量，还涉及作者控制、帮助性、所有权、学习或治疗效果和交互负担。到这里，分类学回答了“研究目标不同在哪里”，下一步要问的是：这些类别之间的证据真的能互相比较吗？（阅读者分析）
跨论文证据揭示了什么，又不能证明什么
数据与模型。表 1 显示，数据从 WritingPrompts、ROCStories、评论和图像等公开资源，到完全无数据、只做系统演示不等；模型以闭源 API 为主，训练方式、prompt 和用户输入也各不相同。（论文报告，§3–4，表 1）
评价证据。用户研究常见但样本通常约 10–35 人；BLEU、ROUGE 和 BERTScore 可以扩展，却难以测量创造力；LLM-as-a-Judge 更接近人工比较，但结果依赖评委稳定性。论文据此指出，领域缺少标准化 Benchmark、故事专用指标、纵向效果、多模态评价与协作署名评价。（论文报告，§5）
证据边界。这些材料支持一个方法学结论：表 1 适合比较设计要素，不适合把不同任务的分数拼成排行榜。系统 demo、短期用户偏好和自动文本指标属于不同证据等级；把它们并排放置可以暴露研究缺口，却不能自动产生“最佳方法”。（阅读者分析）
作者议程。作者据此提出推理时 constrained decoding 或 rule-based sampling、开放与小模型、故事专用 embeddings、disfluency 与 discourse features 等方向。（作者主张，§6、附录 B）
这些建议与前面的异质性诊断相连，但仍属于研究议程，而不是已经由统一实验验证的优先级。（阅读者分析）
检索边界怎样限制这张地图
论文自述的局限。综述自身的 Limitations 主要讨论 LLM 的长程连贯、语境理解和事实幻觉，没有系统反思检索偏差。作者辅助样本又多来自教育、儿童、治疗或角色构建场景。（论文报告，§9）
使用边界。这张地图最稳妥的用法是帮助研究者先选择 Independent 或 Author Assistance 路线，再沿状态表示、规划粒度、AI 权限和证据类型继续细分。它不能单独支撑“领域全貌”、职业长篇小说工作流或研究优先级判断；这些问题需要补充更广泛的检索与统一的证据质量评估。（阅读者分析）
原文定位（附录）
- 定义、贡献与范围：§1，PDF pp.1–2。
- 分类学：§2，图 2，PDF pp.2–6。
- 数据、LLM 与评价比较：§3–5，表 1，PDF pp.6–8。
- 未来方向与模型局限：§6、Limitations，PDF pp.8–9。
- 论文选择协议：Appendix A，PDF p.12。
- 其他方向与共创功能：Appendix B–C，PDF pp.12–13。
读完后的判断
这篇综述回答了开头的问题：它用作者权归属建立了一张直观的跨域入口地图，最强证据是分类学与表 1 对不同研究目标、数据和评价方式的并置。这个答案在“帮助读者分流研究路线”上可信度较高，在“描述整个领域”上可信度较低，因为检索范围窄且筛选协议不可复核。
读完后最值得更新的认识是：故事生成并不是一个只靠统一文本分数就能比较的单一任务。对当前项目而言，应把 Author Assistance 作为产品主线、Independent 作为后台能力，并用状态表示、规划粒度、AI 权限和证据类型继续标注系统；这项设计含义直接来自综述揭示的目标与评价异质性，而不是对某一种模型的额外偏好。