先思后写：面向书籍角色描述的问答引导推理

角色描述生成是面向叙事应用（如摘要、故事分析和角色驱动模拟）的一项重要能力。然而，从长篇叙事（例如小说）中生成准确的角色描述具有挑战性：模型必须跟踪不断变化的属性（例如关系和事件），整合散布在文本中的证据，并推断隐含的细节。尽管具备推理能力的LLM在许多基准测试上取得了成功，但我们发现，对于角色描述生成，当内置推理被禁用（即推理轨迹为空）时，其性能反而提升。受此启发，我们提出了一种将推理与生成解耦的训练框架。我们的方法可应用于长上下文LLM或基于分块的方法之上，由一个生成结构化问答推理轨迹的推理模型和一个基于该轨迹生成最终角色描述的生成模型组成。在两个数据集（BookWorm和CroSS）上的实验表明，与强大的长上下文基线相比，问答引导的推理提高了忠实度、信息量和可溯源性。