Critic's Eye 用叙事拓扑图做母题发现，Hit@5 达 84.8%
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载任务怎么定义
论文关注的是深层叙事理解：区分「发生了什么」与「如何呈现」，即不停留在按时间排列的事件层，而要解读主题被组织呈现的话语层。作者以文学母题的反复出现为切入点，例如某部剧作中血液意象的多次浮现，其象征意义并不来自单处线索，而来自全篇的重复与变化。作者把这一设定形式化为计算母题发现，属于转导式任务：给定一部剧作的完整叙事结构，预测其中缺失的台词与母题之间的关联。这一任务要求模型跨越分散在全文各处的依赖关系，而不是依赖局部上下文窗口内的线索。
方法：叙事拓扑图推理
Critic's Eye 的做法是把整部作品表示成一张异构叙事拓扑图，节点与边承载不同类型的叙事要素及其关系，随后在全局结构证据上执行判别式推理，而不是让序列模型逐段阅读后汇总。作者称，这种显式结构先验使模型能够聚合散布在全篇的重复与变化信号，从而判断某条台词与某个母题是否存在关联。论文共 17 页，含 8 张图与 6 张表，被 EMNLP 2026 接收，提交时间为 2026 年 10 月 26 日。
与基座模型的差距
在作者自建的基准上，Critic's Eye 的 Hit@5 达到 84.8%，而 Gemini-3-pro-preview 约为 22.6%，前者接近后者的四倍。作者由此提出，序列模型即便经过大规模扩展，仍会撞上「语义天花板」，难以解析分散依赖。其结论是：在解读长篇文学的复杂结构时，显式结构先验是比参数规模更有效的归纳偏置。需要注意，这一对比建立在作者自建的基准与任务设定之上，材料未给出该基准的规模、构成与构建方式，也未说明其他模型的表现。
为什么值得看
给出了结构先验与参数扩展在长文本理解上的直接对比数据，对做长文档推理与图方法的人有参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。