電影指令碼因其非線性和交叉剪輯的敘事結構，給自動摘要帶來了根本性挑戰。傳統的基於表面顯著性的方法難以保留核心故事進展，因為它們無法區分推動故事發展的關鍵事件與僅用於渲染氣氛的衛星事件。針對這一問題，研究團隊提出了S^2tory（故事脊蒸餾）框架，這是一個基於敘事學理論的方法，透過分析角色發展軌跡來識別情節核心，即那些推動故事前進的關鍵事件，同時過濾掉外圍的衛星事件。
該框架的核心是敘述專家智慧體（NEAgent），它執行理論約束推理，並將蒸餾得到的知識用於訓練一個小型模型，使其能夠準確識別情節核心。隨後，另一個模型利用這些情節核心生成摘要。實驗在MovieSum資料集上進行，結果表明，在約3.5倍壓縮比下，S^2tory達到了最先進的語義保真度。此外，在BookSum資料集上的零樣本評估證實了其強大的跨領域泛化能力。人工評估進一步驗證了敘事學理論為建模複雜非線性敘事提供了不可或缺的基礎。
S^2tory的提出為自動摘要領域開闢了新方向，尤其適用於電影、戲劇等具有複雜敘事結構的文本。未來，該框架有望擴充套件到其他多媒體內容如電視劇或互動式故事的摘要生成中，為自然語言處理技術在創意產業中的應用提供新的可能性。研究團隊由多位學者組成，論文發表於arXiv，編號2605.03244。