可控敍事渲染：提升輔助寫作的新框架

大型語言模型（LLM）在基礎寫作輔助方面表現出色，但在創意寫作中卻面臨一個根本性的二元困境。研究人員將這一問題稱為“補救性潤色”與“破壞性情節擴展”之間的振盪。前者僅進行安全的表面編輯，例如修正語法或調整措辭，而後者則導致無控制的情節偏離，甚至破壞原有故事結構。這種困境在敍事保真度和描述強度之間形成了關鍵的權衡：增強描述往往犧牲事實完整性，反之亦然。

為了解決這一矛盾，由Mingzhe Lu等八位研究人員組成的團隊提出了Loom框架。該框架基於敍事學中故事（story）與話語（discourse）的經典區分，將寫作過程分解為兩個獨立但相互關聯的層面：事件序列（故事）和表達方式（話語）。Loom通過一個三層的流水線架構實現精準控制。第一層負責解析用户的敍事意圖，識別需要增強的句子或段落；第二層基於意圖中心符號學思維鏈生成豐富的感知材料，包括感官細節、情感描述和環境設定；第三層將這些材料以不破壞原始事件結構的方式插入到文本中。這一設計確保了增強過程不會違反原文的事實完整性，同時提升了表達的生動性。

研究團隊進行了全面的評估，包括基於LLM的自動指標（如事實一致性評分和描述豐富度指標）以及人工評審。實驗涵蓋了多種類型的敍事文本，從簡單的敍述到複雜的場景描寫。結果顯示，Loom成功解決了基本矛盾，獲得了最高的整體質量評分。與現有最先進基線（如直接提示LLM或使用檢索增強生成）相比，Loom在事實完整性和描述強度方面均取得了顯著提升，分別提升了約15%和20%（具體數值需參考論文）。此外，人工評審者一致認為Loom生成的文本在保持原意的同時更具文學性。

這一成果不僅為創意寫作輔助工具提供了新的方向，也展示了敍事學理論在AI系統中的實際應用價值。Loom框架有望被整合到現有的寫作軟件中，幫助作者在保持故事原貌的前提下豐富表達。論文於2026年5月5日提交至arXiv，編號2607.00009，屬於計算與語言及人工智能領域。未來的工作可能包括將Loom擴展到多語言場景，以及探索與其他生成模型的集成。