Naukowcy z arXiv opublikowali pracę nad Narrative World Model (NWM), systemem pamięci zaprojektowanym specjalnie dla pisarzy pracujących nad długoformatową fikcją. Problem, który rozwiązuje, jest konkretny: tradycyjne systemy retrieval i agent-memory działają na bazie faktów i encji, ale nie rozumieją struktury narratologicznej, która leży u podstaw bardziej złożonych pytań o fabułę.
NWM łączy graf czasowy oparty na typach narratologicznych z hybrydowym retrieval dopasowanym do konkretnych zapytań. System musi odpowiadać na pytania wieloetapowe, takie jak: kto wie o danym sekrecie i kiedy się o nim dowiedział, czy jedno zdarzenie w fabule poprzedzało moment, w którym zostało ujawnione, czy setup z wcześniejszych rozdziałów ostatecznie się spłacił, albo jak zmieniła się relacja między postaciami. To są pytania, które wymagają rozumienia nie tylko faktów, ale samej struktury opowieści.
W testach na rzeczywistych korpusach i benchmarkach wieloetapowych NWM znacznie przewyższa Graphiti/Zep, najpotężniejszy istniejący system oparty na grafach wiedzy czasowej, a także systemy GraphRAG i tradycyjne retrieval. Zespół wykazał, że przewaga jest reprezentacyjna - nie wynika z lepszej ekstrakcji danych czy większych grafów, ale z samego sposobu, w jaki system modeluje strukturę narratologiczną i dopasowuje retrieval do pytań.