TL;DR
문학적 역할극 시뮬레이션은 장면이 쌓이면서 인물의 신념·동기·관계와 세계의 객체·제도가 상호작용하며 변화해야 하는 장기 추적 문제를 포함한다. 기존 연구들은 주로 정적 페르소나 모방이나 장면 단위 생성에 머물러 장기적 상태 변화와 환경 수준의 업데이트를 포착하지 못했다. EvolvingWorld는 오픈 스키마와 연계된 인물 에이전트 및 LLM 기반 월드 모델을 도입하여 이러한 장기적 공동 진화를 학습 데이터와 평가 체계로 지원함으로써 장기 시뮬레이션의 일관성 저하를 완화했다.
왜 중요한가
문학적 역할극 시뮬레이션은 장면이 쌓이면서 인물의 신념·동기·관계와 세계의 객체·제도가 상호작용하며 변화해야 하는 장기 추적 문제를 포함한다. 기존 연구들은 주로 정적 페르소나 모방이나 장면 단위 생성에 머물러 장기적 상태 변화와 환경 수준의 업데이트를 포착하지 못했다. EvolvingWorld는 오픈 스키마와 연계된 인물 에이전트 및 LLM 기반 월드 모델을 도입하여 이러한 장기적 공동 진화를 학습 데이터와 평가 체계로 지원함으로써 장기 시뮬레이션의 일관성 저하를 완화했다.
핵심 기여
오픈 스키마 기반의 공동 진화 문제 정식화
본 논문은 인터랙티브 문학 세계를 인물과 세계 상태가 상호 결합하여 장기적으로 진화하는 문제로 재정의했다. 이 정식화는 모든 작품에 동일한 고정 슬롯을 강제하지 않고 책별로 유의미한 차원을 유연하게 추출하도록 설계되어 장르와 세계관 차이를 자연스럽게 수용한다. 결과적으로 단일 장면 모방을 넘는 지속적 발전과 근거 기반의 프로필 업데이트가 가능해졌다.
Character Agent와 LLM 기반 World Model을 결합한 프레임워크
EvolvingWorld는 오픈 스키마 프로필을 가진 Character Agent와 전역·위치 수준 상태를 유지하는 LLM 기반 World Model을 결합한 아키텍처를 제안했다. Character Agent는 히든 트래커로 약한 증거를 축적하고 다중 시계열 속성별로 다른 진화 속도를 반영하도록 설계되었다. World Model은 위치별 엔티티와 글로벌 설정을 자동으로 구성·갱신하여 장면 계획과 출연자 선택을 지원한다.
7개 학습 과제로 분해된 시뮬레이션 파이프라인과 대규모 감독 데이터
논문은 장면 캐스팅, 장소·시나리오 계획, 동기 업데이트, 발화 생성, 세계·인물 상태 갱신 등 장면 단위 전환을 7개의 학습 가능한 서브태스크로 구성했다. 제안 방식에 따라 57권의 공공 도메인 도서를 표준화하여 138,596개의 학습 샘플과 222개의 테스트 스냅샷을 수집했다. 이 데이터는 장기 궤적 생성과 상태 추적을 직접 감독하는 데 사용되었다.
궤적 수준 LLM-as-Judge 평가와 장기 개선 증거
EvolvingWorld는 10개 차원, 20개 메트릭의 궤적 수준 평가 체계를 도입하여 경로 전반의 일관성·진화 품질을 정량화했다. 각 메트릭은 독립된 LLM 심판에게 루브릭과 관련 입력만 제공하여 장기적 상태 변화 민감도를 측정했다. 실험 결과 EvolvingWorld는 BookWorld 대비 프로필 진화 부드러움(PES)과 장면 연속성(SCC)에서 장기 성능 저하를 완화했다.
핵심 아이디어 이해하기
문학적 역할극에서 요구되는 핵심 문제는 대화 생성 그 자체보다 장면들이 누적될 때 인물과 세계 상태가 상호작용하며 합리적으로 변화하는지를 유지하는 것이다. 기존 방식은 정적 프로필이나 장면 단위 복제에 의존하여 시간이 지남에 따라 인물성과 세계 정보가 일관성을 잃는 경향이 있었다. 따라서 장기적 일관성 확보를 위해서는 어떤 차원을 추적할지, 증거가 축적되었을 때만 프로필을 갱신하는 메커니즘, 그리고 지역 사건이 글로벌·위치 수준 상태로 어떻게 전파되는지를 함께 모델링해야 한다.
방법론
EvolvingWorld의 핵심 작동 원리는 두 모듈의 반복적 상호작용에 있다. World Model은 현재의 전역 및 위치 상태를 바탕으로 출연자 집합과 장면 시나리오를 계획하고 장면 내에서 누가 발화할지 결정한다. Character Agent는 각 참여자에 대해 장면별 동기를 생성하고 실제 발화를 생성하며, 발생한 발화는 다시 World Model의 상태 갱신과 Character Agent의 프로필 업데이트로 이어진다.
관련 Figure
이 다이어그램은 오픈 스키마 프로필과 위치·전역 상태가 어떻게 초기화되고 반복적인 장면 생성과 상호작용을 통해 갱신되는지를 시각적으로 정리한다. 특히 Character Agent의 히든 트래커와 World Model의 위치별 상태가 장면 내 발화에 의해 어떻게 서로 영향을 주고받는지, 7개 태스크(캐스팅·시나리오·동기·행동 선택·발화 생성·월드 업데이트·인물 업데이트)의 순서로 표현되어 전체 파이프라인의 논리적 흐름을 보강한다.
논문이 제안한 시뮬레이션 예시로서 책에서 추출한 초기 스냅샷을 시작점으로 인물과 세계 상태가 장면을 통해 공동으로 진화하는 과정 흐름도를 보여준다.
주요 결과
논문은 57권의 공공 도서에서 추출한 138,596개의 학습 샘플과 222개의 테스트 스냅샷을 사용하여 EvolvingWorld의 유효성을 검증했다. EvolvingWorld로 학습한 모델들은 BookWorld 등 기존 프레임워크 대비 장기 궤적에서 프로필 진화 부드러움(PES)과 장면 연속성·일관성(SCC) 지표에서 상대적인 우위를 보였으며, 특히 장면 수가 늘어날수록 기존 방식에서 관찰되던 성능 저하를 완화했다. 논문에서는 Qwen-32B를 EW 데이터로 학습했을 때 World Model 평균 점수 59.87을 달성하여 기존 일부 상용 모델과 경쟁하거나 능가하는 사례를 보고했다.
관련 Figure
이 차트는 BookWorld와 EvolvingWorld를 동일 백본으로 비교하면서 장면 수가 늘어날 때 PES와 SCC 점수 변화 추이를 보여준다. 그림에서 EvolvingWorld 쪽 곡선은 장면 수 증가에 따라 안정적이거나 상승하는 경향을 보이며, BookWorld는 장면이 길어질수록 점수가 하락하는 경향을 나타내 장기 시뮬레이션에서의 구조적 상태 업데이트가 성능 유지에 기여했음을 시사한다.
Profile Evolution Smoothness(PES)와 Scene Continuity & Coherence(SCC)에 대한 길이별 비교 그래프를 통해 EvolvingWorld가 장면 수 증가 시 성능 저하를 완화함을 시각화하고 있다.
기술 상세
전체 아키텍처는 Character Agent와 World Model의 결합으로 구성되며, 각 캐릭터는 오픈 스키마 프로필(P^{i,(t)}), 히든 트래커(H^{i,(t)}), 장면 동기(M^{i,(t)})로 상태가 표현된다. 월드 측면에서는 전역 상태 G^{(t)}와 각 위치별 설명 및 엔티티 상태 L^{ll,(t)}을 유지하여 S_{w}^{ll,(t)}=(G^{(t)},L^{ll,(t)})와 S_{c}^{i,(t)}=(P^{i,(t)},H^{i,(t)},M^{i,(t)})로 정형화한다. 상태 표기법 원문: S_{w}^{ll,(t)} = (G^{(t)},L^{ll,(t)}) , S_{c}^{i,(t)} = (P^{i,(t)},H^{i,(t)},M^{i,(t)}) . 변수 의미: G^{(t)}는 시간 t의 전역 세계 속성 집합, L^{ll,(t)}은 위치 ll의 설명과 중요 엔티티 상태, P^{i,(t)}는 인물 i의 오픈 스키마 프로필, H^{i,(t)}는 약한 증거를 누적하는 히든 트래커, M^{i,(t)}는 해당 장면의 동기다. 처리 흐름: 입력으로 현재 전역·위치·인물 상태를 읽어 World Model이 출연자 z_{t}과 장소ll_{t}·시나리오 r_{t}를 선택하고 Character Agent가 각 발화를 생성하면 해당 발화(y_{t,k})가 World Model에 전달되어 S_{w}와 S_{c}가 갱신된다. 간단한 수치 예시: 두 위치(집, 거리)와 한 인물에서 시작하여 장면 1에서 창문에 놓인 트리(엔티티)가 제거되면 L^{ll,(t+1)}에서 해당 엔티티 상태가 '없음'으로 바뀌고 관련 인물의 H^{i}에 증거가 누적되어 이후 P^{i}가 업데이트될 수 있다. 해석: 이 수학적 표현은 상태가 장면 단위로 어떻게 읽히고 쓰여지는지를 명확히 하여 장기 궤적에서의 일관성 보존과 증거 누적 메커니즘을 드러낸다.
한계점
논문이 명시한 첫 번째 한계는 모든 인물이 공유하는 단일 객관적 세계 상태를 모델링한다는 점으로, 실제 문학에서는 서로 다른 인물이 동일 사건을 주관적으로 기억하거나 다르게 해석하는 경우가 많다. 두 번째 한계는 LLM의 문맥 길이 제약으로 인하여 모든 엔티티를 추적하지 못하고 각 위치에서 중요 엔티티만 유지한다는 점이다. 세 번째 한계는 데이터 출처가 Project Gutenberg의 퍼블릭 도메인 고전 작품으로 한정되어 현대 소설·게임·사용자 생성 세계 등 다른 도메인으로의 일반화가 제한적이라는 점이다.
실무 활용
EvolvingWorld는 문학적 서사 기반 시뮬레이션, 인터랙티브 스토리텔링, 에듀테인먼트 등 장기 상태 추적이 필요한 애플리케이션에 실무적으로 적용 가능하다. 공개된 GitHub 저장소를 통해 프레임워크와 데이터 파이프라인을 재현하여 특정 도메인의 세계·인물 스키마를 구성할 수 있다. 다만 실제 서비스 적용 전 데이터 편향과 유해 콘텐츠 리스크를 검토해야 한다.
- 대화형 게임과 인터랙티브 내러티브에서 캐릭터와 세계 상태를 장기적으로 유지·관리하는 스토리 엔진 보강
- 스크립트 제작 도구에서 장면 흐름과 인물 변화의 합리성 검증을 지원하는 자동 평가 보조
- 소설 기반 대화형 교육 시나리오에서 학습자 선택에 따른 세계·인물 반응을 일관되게 시뮬레이션하는 연구용 플랫폼
코드 공개 여부: 공개
코드 저장소 보기키워드
용어 해설
- Open-schema
- — EvolvingWorld 맥락에서 오픈 스키마는 모든 소설에 공통된 고정 필드를 강제하지 않고 책별로 중요 차원(인물의 습관, 사회 제도, 장소 속성 등)을 LLM이 유동적으로 생성·선택하도록 허용하는 데이터 구조 접근법이다. 이 방식은 서로 다른 장르와 세계관에서 필요한 상태 항목을 자동으로 추출·확장할 수 있게 하여 고정 슬롯 방식보다 폭넓은 세계·인물 표현을 가능하게 한다.
- World Model
- — 이 논문에서 World Model은 전역(global) 상태와 위치별(location/entity) 물리적 상태를 LLM으로 구성·갱신하는 모듈로 정의된다. 월드 모델은 장면 생성 계획, 등장인물 선발, 장면 내 상호작용에 따른 세계 상태 변화를 자동으로 기록하여 장기 서사에서 환경과 객체 상태의 일관성을 유지한다.
- Hidden Tracker
- — Hidden Tracker는 인물 프로필의 '약한 증거'나 초기 신호를 별도로 축적하는 내부 저장장치로, 즉각적 프로필 갱신을 피하고 반복적 증거가 누적될 때만 프로필을 업데이트하도록 설계되었다. 감정 같이 빠르게 변하는 차원과 성격처럼 느리게 변하는 차원을 분리해 다중 시계열 변화를 안정적으로 반영하는 것이 목적이다.
- Trajectory-level Evaluation
- — 이 평가는 단일 발화의 품질을 넘어서 장면들의 연속(궤적) 전반에서 인물·세계 상태의 지속성, 일관성, 발전 정도를 측정하는 방법론으로 10개 차원, 20개 메트릭을 사용한다. 각 메트릭은 LLM 심판에게 해당 입력과 루브릭만 제공하여 장기적 변화의 정확성과 민감도를 정량화한다.
- Profile Evolution Smoothness
- — 프로필 진화 부드러움은 인물 프로필의 변화가 사건 증거에 따라 점진적으로 누적되어 합리적인 속도로 전개되는지를 측정하는 메트릭으로, 과도한 진단(급작스러운 업데이트)과 지나친 정체를 모두 포착한다. 장기 시뮬레이션에서 프로필이 자연스럽게 변하는지를 평가하는 지표이다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
