EvolvingWorld：交互文学世界中角色扮演智能体与世界模型协同演化的开放模式框架

arXiv 2026 43.2 system, benchmark, application

TLDR

EvolvingWorld提出开放模式框架，实现交互文学中角色与世界模型协同演化，并包含数据集和评估协议。

评分理由

The paper presents a novel approach to long-horizon literary simulation with an LLM-based world model, supported by a substantial dataset and multi-dimensional evaluation. However, its focus on text-based literary worlds limits relevance to video or reinforcement learning applications.

Read-first 评分解释

综合优先阅读分 43.2，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 35。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、数据集、评估、实验、指标

主题相关性 29%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：531。

关键词评分

world model

interactive world model

world simulator

generative world model

world dynamics prediction

video world model

model-based reinforcement learning world model

深度分析

创新点

长周期角色与世界的协同演化，跨交互保持持久状态更新。
开放模式框架，避免固定模式，支持跨多样文学世界的模拟。
双模块架构：角色智能体用于多智能体角色扮演和档案演化，基于LLM的世界模型用于全局和实体级状态管理。
制定了7个可训练任务用于场景初始化、交互生成和状态更新，支持监督学习。
从57本书构建的基准数据集，含138,596个训练样本和222个测试快照，以及轨迹级LLM-as-Judge评估（10维度20指标）。

方法

EvolvingWorld包含一个用于多角色角色扮演和持久档案演化的角色智能体，以及一个基于LLM的世界模型，用于维护全局和地点/实体级状态并驱动场景推进。该框架定义了7个可训练任务，用于场景初始化、交互生成和状态更新，并在来自57本书的138,596个样本的数据集上进行训练。评估采用轨迹级LLM-as-Judge协议，包含10个维度和20个指标。

关键结果

EvolvingWorld通过维持持久、连贯的角色与世界发展，改进了长周期模拟。

技术栈

LLMCharacter AgentWorld ModelLLM-as-Judge

资源

论文