懂AI

DOC: 提升长篇故事连贯性的新方法

RayRay
故事生成DOC大语言模型人工智能文本一致性Github开源项目

doc-story-generation

DOC: 提升长篇故事连贯性的新方法

在人工智能和自然语言处理领域,自动生成长篇故事一直是一个具有挑战性的任务。如何让AI生成的故事既连贯有趣,又能保持情节的一致性和完整性?最近,来自加州大学伯克利分校和Facebook AI研究院的研究人员提出了一种名为DOC (Detailed Outline Control)的新方法,通过详细大纲控制来显著提升长篇故事的生成质量。本文将详细介绍DOC的工作原理、使用方法以及与其他方法的对比。

DOC的核心思想

DOC的核心思想是先生成一个多层次的详细故事大纲,然后在此基础上逐步扩展生成完整的故事内容。这种方法有几个关键优势:

  1. 通过预先规划故事大纲,可以保证整体情节的连贯性和完整性。
  2. 多层次大纲可以控制故事的结构和节奏,避免生成过程中的偏离。
  3. 在扩展每个大纲要点时,可以利用上下文信息保持局部连贯性。

研究表明,DOC生成的故事在连贯性、相关性和趣味性等方面都明显优于此前的方法。在人工评估中,DOC的表现大幅领先于之前的Re3系统。

DOC的工作流程

DOC的整体工作流程可以分为两个主要阶段:

  1. 计划和大纲生成
  2. 主要故事生成

在第一阶段,系统会先生成一个包含设定、角色和多层次大纲的详细计划。研究人员建议使用3层深度的大纲,可以通过调整参数来控制大纲的具体层数。

在第二阶段,系统会根据生成的大纲逐步扩展出完整的故事内容。DOC使用了一系列的控制器和重排序器来保证生成内容的质量,主要包括:

  • 相关性重排序器:确保生成的内容与当前大纲要点相关
  • 连贯性重排序器:保证相邻段落之间的连贯性
  • 详细控制器:控制生成内容与大纲的一致性

通过这些组件的配合,DOC可以在保持创造性的同时,很好地控制故事的整体结构和连贯性。

DOC工作流程示意图

安装和使用DOC

要使用DOC生成故事,需要先安装必要的环境和依赖。主要步骤如下:

  1. 安装Python 3.8.15和PyTorch 1.13.1
  2. 通过pip安装其他依赖项
  3. 下载预训练的控制器和重排序器检查点
  4. 配置OpenAI API密钥(用于调用GPT-3)

完成安装后,故事生成分为两个主要命令:

  1. 计划和大纲生成命令
  2. 主要故事生成命令

研究人员提供了详细的命令示例和参数说明,用户可以根据需要调整各种参数来控制生成过程。值得注意的是,DOC的主要故事生成使用了OPT-175B模型,用户可以选择使用公共API、自行部署或使用GPT-3替代。

DOC与基线方法的对比

为了验证DOC的效果,研究人员将其与多个基线方法进行了对比,包括:

  1. Re3 (使用OPT-175B,匹配DOC的长度)
  2. 滚动窗口OPT-175B
  3. 滚动窗口GPT3-175B

实验结果表明,DOC在多个指标上都显著优于这些基线方法。特别是在保持长篇故事的连贯性和与大纲的一致性方面,DOC表现出了明显的优势。

DOC与基线方法对比结果

DOC的潜在应用

DOC的成功为AI辅助创作开辟了新的可能性。它可以应用于多个领域,例如:

  1. 创意写作:辅助作家快速构建故事框架并扩展内容
  2. 教育:自动生成教学案例或练习材料
  3. 游戏开发:生成游戏剧情和任务描述
  4. 内容营销:批量生成高质量的长篇文章

虽然DOC目前还不能完全替代人类作者,但它已经展现出了极大的潜力,为未来的AI创作系统指明了方向。

结语

DOC项目展示了如何通过精心设计的控制机制来提升AI生成长篇故事的质量。它不仅在技术上取得了突破,也为人机协作创作提供了新的思路。随着相关技术的不断进步,我们可以期待在不久的将来,AI将成为人类创作的得力助手,共同创造出更多精彩的故事。

参考链接

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多