Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM 기반 캐릭터 에이전트의 사실적 과잉과 스타일 단조로움을 해결하기 위한 3계층 메모리 아키텍처 REVERIEMEM을 제안합니다. 에피소드, 의미, 성격 계층을 통해 캐릭터의 관점을 유지하며 내러티브 생성 능력을 크게 향상시켰습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기최근의 LLM (Large Language Model) 역할 수행 시스템은 캐릭터, 장면, 관계를 추출함으로써 소설로부터 캐릭터 에이전트를 구축합니다. 그러나 장기 내러티브 역할 수행은 두 가지 실패를 겪습니다: 공유된 검색(retrieval) 또는 파라미터 메모리(parametric memory)로 인해 캐릭터가 자신의 관점 밖의 사실을 사용하게 되는 '사실적 과잉(Factual Overreach)', 그리고 프로필 설명이 캐릭터를 고정된 목소리로 평면화하는 '스타일의 단조로움(Stylistic Monotony)'입니다. 이러한 실패를 해결하기 위해, 우리는 도서 기반 캐릭터 에이전트를 위한 3계층 메모리 아키텍처인 REVERIEMEM을 제안합니다. 에피소드 계층(episodic layer)은 1인칭 장면 메모리를 저장하고, 의미 계층(semantic layer)은 가시성 태그가 지정된 사실을 저장하며, 성격 계층(personality layer)은 상황에 따른 언어 및 행동 패턴을 저장합니다. 평가를 위해, 우리는 지식 경계를 테스트하기 위해 8권의 소설을 대상으로 한 4,386개 질문의 벤치마크인 KBF-QA를 구축했습니다. REVERIEMEM은 가장 강력한 기존 방법보다 지식 경계 충실도(Knowledge Boundary Fidelity)를 34.6 퍼센트 포인트 향상시켰습니다. BOOKWORLD의 5차원 쌍체 내러티브 프로토콜(five-dimension pairwise narrative protocol)에서 REVERIEMEM은 약 79%의 승률을 달성하였으며, 이는 관점 제한 메모리가 경계 충실도와 캐릭터에 기반한 내러티브 생성 모두를 개선함을 시사합니다.