大型语言模型在中文电影剧本续写中的比较研究：基于 GPT-5.2 和 Qwen-Max 的实证分析
计算与语言
2026-01-22 v1
摘要
随着大型语言模型 (LLM) 越来越多地应用于创意写作，其在特定文化叙事任务上的表现值得系统研究。本研究构建了首个包含 53 部经典电影的中文电影剧本续写基准，并设计了比较 GPT-5.2 和 Qwen-Max-Latest 的多维度评估框架。使用“前半部到后半部”续写范式，每部电影 3 个样本，我们获得了 303 个有效样本（GPT-5.2：157 个，98.7% 有效率；Qwen-Max：146 个，91.8% 有效率）。评估集成了 ROUGE-L、结构相似性和 LLM-as-Judge 评分 (DeepSeek-Reasoner)。对 144 个配对样本的统计分析表明：Qwen-Max 的 ROUGE-L 略高（0.2230 对 0.2114，d=-0.43）；然而，GPT-5.2 在结构保持（0.93 对 0.75，d=0.46）、整体质量（44.79 对 25.72，d=1.04）和综合得分（0.50 对 0.39，d=0.84）上显著优于 Qwen-Max。整体质量效应量达到大效应水平（d>0.8）。GPT-5.2 在角色一致性、语气风格匹配和格式保持方面表现出色，而 Qwen-Max 在生成稳定性方面存在不足。本研究为中文创意写作中的 LLM 评估提供了可复现的框架。
引用
@article{arxiv.2601.14826,
title = {Comparative Study of Large Language Models on Chinese Film Script Continuation: An Empirical Analysis Based on GPT-5.2 and Qwen-Max},
author = {Yuxuan Cao and Zida Yang and Ye Wang},
journal= {arXiv preprint arXiv:2601.14826},
year = {2026}
}
备注
18 pages, 6 figures, 6 tables, 20 references. First two authors contributed equally. Corresponding author: Ye Wang ([email protected])