超越直接生成：面向专业剧本创作的分解式LLM方法
计算与语言
2026-01-08 v3 人工智能
摘要
剧本是电视制作的基础，定义叙事结构、人物发展和对话。虽然大语言模型(LLM)在创意写作方面显示出巨大的潜力，但直接的端到端生成方法往往难以产生高质量的剧本。我们认为，这种失败源于强行让单个模型同时掌握两种截然不同的能力：创意叙事构建和刚性格式遵循。由此产生的输出可能在表面风格上模仿得很好，但缺乏专业用途所需的深层结构完整性和叙事实质性。为使LLM能够生成高质量剧本，我们引入Dual-Stage Refinement (DSR)，这是一种分解框架，将创意叙事生成与格式转换解耦。第一阶段将简短大纲转化为丰富、具有小说式叙事的文本。第二阶段将此叙事细化为专业格式的剧本。这种分离使模型能够在每个阶段专注于一种 distinct 能力。实现DSR的关键挑战是稀缺的从大纲到小说的配对训练数据。我们通过混合数据合成来解决这一问题：逆向合成将现有剧本分解为结构化输入，而正向合成则利用这些输入生成高质量叙事文本作为训练目标。针对DSR的盲目评估显示，DSR以75%的胜率超过像Gemini-2.5-Pro等强大基准，并达到人类水平性能的82.7%。我们的工作表明，带有量身定制数据合成的分解生成架构有效地为LLM在复杂创意领域中的专业化提供了可能。
引用
@article{arxiv.2510.23163,
title = {Beyond Direct Generation: A Decomposed Approach to Well-Crafted Screenwriting with LLMs},
author = {Hang Lei and Shengyi Zong and Zhaoyan Li and Ziren Zhou and Hao Liu and Liang Yu},
journal= {arXiv preprint arXiv:2510.23163},
year = {2026}
}