利用大型语言模型生成人类般的回复，通过提取故事中的人物特点，引入 NarrativePlay 系统，允许用户在沉浸式环境中扮演虚构角色并与其他角色互动，自动生成故事情境、角色形象和对话，大大提升用户体验。该系统关注用户所选角色视角下从故事中提取的主要情节事件，并在两种类型的故事中进行评估：侦探故事和冒险故事，用户可以通过对话探索世界或改善与故事角色的关系。

Oct, 2023

通过与大型语言模型的互动，玩家能够参与游戏叙事的演化，发现有趣且具有吸引力的新节点，进而创造出非原始叙事中不存在的内容。

Apr, 2024

本文探讨了根据标题生成故事的开放域故事生成，提出了一种计划和写作的分层式生成框架，比较了两种规划策略，并通过实验表明了明确的故事情节规划会让生成的故事更加多样化、连贯且主题贴切。

Nov, 2018

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

通过引入 reward-shaping 技术的方法，研究表明，基于语言模型的故事情节生成方法可以生成满足特定目标的故事情节，并且比基线情节生成技术具有更合理的事件顺序。

Sep, 2018

本文提出了一种将因果规划与神经语言模型统一起来的故事情节生成方法，该方法利用从大型语言模型中提取的常识知识以递归反向链接的方式扩展故事情节，并通过自动化评估证明相对于其他强基线方法它能生成更具连贯性的情节。

Dec, 2022

通过故事讲述和大型语言模型的整合，我们开发出适用于社区环境下引人入胜且可信的社交机器人。我们引入了故事讲述社交机器人以及故事工程的概念，将虚构游戏角色转变为 “真实” 的社交实体，在玩家社群中与人们相互交互。通过使用 GPT-3 驱动我们的 SSC 原型 “David” 和 “Catherine”，并在 Discord 上的在线游戏社区 “DE (Alias)” 评估它们的表现，我们运用问卷（N=15）和访谈（N=8）对社区成员进行混合方法分析，结果显示故事讲述在社区环境中显著提升了社交机器人的吸引力和可信度。

Sep, 2023

该研究探讨了使用细分搜索解决情节生成问题的可能性，并提出了一种新型的细分搜索规划算法，可以创建具有因果关系的情节进展，并在识别可能的角色目标和创建计划结构方面解释为什么这些角色承诺他们的目标。结果表明，IPOCL 算法生成的叙述计划比传统的部分顺序规划器生成的计划更能支持观众理解角色意图。

Jan, 2014

StoryAgent 框架利用大型语言模型和生成工具自动化和完善数字叙事，通过自上而下的故事起草和自下而上的资源生成方法解决手动介入、交互式场景编排和叙事连贯性等关键问题，实现了跨多种形式的交互式、连贯的故事高效制作，使内容创作更具民主性并增强参与度，而且无需参考视频，标志着自动化数字叙事的重大进展。

Jun, 2024

StoryGPT-V 使用潜在扩散和大语言模型的优点，生成具有一致且高质量角色的图像，通过解决指代消解和对上下文的理解来提高生成准确性和忠实度。模型在视觉故事可视化上表现优异，并具有较低的内存消耗。

Dec, 2023