본 논문은 상호작용적 문학 세계(interactive literary worlds)에서 캐릭터와 월드의 공동 진화(co-evolution)를 위한 프레임워크이자 벤치마크인 EvolvingWorld를 소개합니다. 기존 시스템들은 상호작용적 문학 시뮬레이션을 정적인 페르소나 모방(static persona imitation)이나 고립된 장면 생성(isolated scene generation)으로 취급하여, 캐릭터와 세계가 시간이 지남에 따라 어떻게 함께 진화하는지를 포착하지 못했습니다. 이를 해결하기 위해, EvolvingWorld는 문학 시뮬레이션을 캐릭터가 상호작용하고, 장면이 진행되며, 캐릭터와 세계의 상태가 지속적으로 업데이트되는 장기적 과정(long-horizon process)으로 모델링합니다. 고정된 스키마(fixed schemas)에 의존하는 이전 시스템들과 달리, EvolvingWorld는 다양한 문학 세계에 걸친 시뮬레이션을 지원하기 위해 오픈 스키마(open-schema) 프레임워크를 채택합니다. 이 프레임워크는 두 개의 결합된 모듈로 구성됩니다: 다중 캐릭터 역할극(multi-character role-play) 및 지속적인 프로필 진화를 위한 캐릭터 에이전트(Character Agent), 그리고 전역 및 위치/엔티티 레벨의 상태 유지와 장면 진행을 위한 LLM 기반 월드 모델(World Model)입니다. 이 아키텍처를 바탕으로, 우리는 장면 초기화, 상호작용 생성 및 상태 업데이트를 위한 7가지 학습 가능한 태스크(trainable tasks)를 공식화합니다. 우리는 57권의 도서로부터 데이터셋을 구축하여 138,596개의 지도 학습(supervised training) 샘플과 테스트를 위한 222개의 스냅샷(snapshots)을 생성했습니다. 나아가, 우리는 10개의 차원과 20개의 지표를 아우르는 궤적 레벨의 LLM-as-Judge 평가 프로토콜을 도입합니다. 실험 결과, EvolvingWorld는 지속적이고 일관된 캐릭터 및 세계 발전을 효과적으로 유지함으로써 장기적 시뮬레이션(long-horizon simulation)을 개선할 수 있음을 보여줍니다.