该研究探讨了故事生成：创作系统可以在一个主题上构建连贯流畅的文本段落，使用一个大规模的数据集，通过分层式故事生成模型，研究人员成功地实现了模型融合，引入了新的门控多尺度自注意机制，并在自动化和人工评估中实现了显著的改进。

May, 2018

通过自动修订提示符来进行个性化文本生成的研究。

Sep, 2023

通过两种新型的基于提示的方法 reprompting 和 in-context retrieval（ICR）相结合的方式，提出 R&D-- 一种改进长文档中问题回答（QA）效果的方法。在实验证明，使用 R&R 可以提高 QA 准确性。

Mar, 2024

通过使用具有高质量内容规划和根据亚里士多德诗学详细描述的优秀剧情编写方面的集合进行语言模型的情节生成，可以解决故事生成的问题，并发现经过良好规划的情节结构的故事比不具备内容规划或者使用不合适的规划方式的基准更加相关和高品质。

Sep, 2020

提出了一种新方法 ScratchPlot，使用 Pre-trained language models，利用 content planning 生成故事情节，并使用 generate-and-rank approach 对所生成的（story, ending）pairs 进行排序。实验表明，在人类评估和自动评估中都获得了更好的结果。

Jun, 2022

本研究探索了一种新型的粗粒度到细粒度的模型，可以生成故事文本，并通过抽象行为和实体来分解故事，生成谓词 - 参数结构的文本，最终替换实体占位符。经过广泛的分析和人工评估，我们的方法可以提高生成的故事中事件和实体的多样性和连贯性。

Feb, 2019

我们提出了 LongStory，一种用于连贯、完整且受长度控制的长篇故事生成的方法。它引入了两种新方法：长期和短期上下文权重校准器（CWC）和长篇故事结构位置（LSP）。在多个数据集上训练，LongStory 在连贯性、完整性、相关性和重复性方面优于其他基线，包括强大的故事生成器 Plotmachine。我们还对每个数据集进行了零样本测试，评估该模型在超出其训练数据范围的情况下预测结果的能力，并通过与我们模型的变体进行比较来验证我们的方法。

Nov, 2023

RENarGen 是一种可控的故事生成方法，通过确保首尾句子的相关性并填补中间句子，生成具有更好故事性闭环的故事，相关方法探索中包括书写学对语言模型的影响。

Mar, 2024

通过使用 R3 提示方法来处理嘈杂语境下的 CoT 推理，能够提高 LLM 在推理任务中的准确性。与现有的 CoT 提示方法相比，R3 提示方法在噪声环境下显著优越，通过与 GPT-3.5-turbo 的实验观察，平均推理准确性提高了 3.7％。该方法在解决噪声环境下 LLM 的推理任务时表现出了强大的鲁棒性和普适性。

Oct, 2023

本文介绍一种基于 GPT-2 的系统，利用自动故事生成技术生成可靠的短篇小说情节，以协助作家构建一个一致且引人入胜的情节，实验表明，该系统产生的短篇小说情节在一致性和可故事性等方面优于其他模型，作者尝试了一种 story continuation 任务，以确定该系统如何影响创意写作的过程。

Feb, 2023