문장 수준 컨텍스트에 의존하는 기존 초정밀 개체 타입 분류(UFET) 접근법의 롱테일 유형 한계를 극복하기 위해, 각 개체 언급에 자동 생성된 10문장 서사를 연결한 Narrative-UFET 데이터셋을 제안한다. 개체 유형이 서사 전반에 걸쳐 변화하는 Change 변형이 Maintain 변형보다 강한 신호를 제공하며, 합성 서사가 자연 발생 컨텍스트보다 롱테일 유형 분류 성능을 더욱 향상시킴을 보인다.
반사실적 이야기 재전달에서는 LLM이 암기된 서사에 의존하기 어려운 제한된 해결 공간에서 논리적·합리적 사건 생성에 취약하며, SFT 같은 정답 기반 사후학습도 이를 가르치지 못한다. 구조주의 서사학과 스칼라 서사성을 결합한 강화학습 파이프라인 Retell, Reward, Repeat(RRR)이 d-RLAIF로 참조 출력 없이 서사성 기반 학습 신호를 도출하고, RRR로 학습한 LLM은 퓨샷·SFT 대비 논리성·합리성·완결성에서 우수했으며 맹목적 인간 선호도 평가로도 검증되었다.
200~800화 규모의 아크를 갖는 장편 연재형 오디오 드라마는 주요 창작 매체이며, 프론티어 대규모 언어 모델(LLM)이 실패하는 분야이기도 하다. 클래식, 파인튜닝, 오픈 프론티어, 클로즈드 프론티어, 추론 등급에 걸친 21개 모델을 동일한 구조적 내러티브 지표 집합으로 벤치마킹한다. 모든 클로즈드 프론티어 시스템은 플롯 비트 F1이 [0.78, 0.81] 구간에서 포화되며, 지평 h=200에서 약 -0.20 F1만큼 붕괴한다. NarrativeWorldBench를 제안한다. 이는 지평 h ∈ {10, 20, 50, 100, 200}에서 평가되는 9개의 내러티브 구조 지표로 구성된 공개 벤치마크이며, 힌디어, 타밀어, 텔루구어, 마라티어 등 4개 인도어에 대한 교차 언어 평가를 포함한다. N-VSSM(Narrative Variational State-Space Model)을 제안한다. 이는 이벤트 조건부 사후분포와 8B 디코더를 갖춘 Mamba-2 백본을 통해 200화 이상에 걸쳐 구조화된 256차원 잠재 세계 상태를 유지한다. N-VSSM은 클로즈드 프론티어 구간 대비 4배 낮은 연산량으로 모든 지평에서 플롯 비트 F1 >= 0.84를 유지한다. 학습된 Cultural Transfer Function은 교차 언어 충실도를 Likert 척도 +0.20~+0.23점만큼 향상시킨다. 전문 작가 12명(n = 12, 240 trials)을 대상으로 한 피험자 내(within-subjects) 작가 연구에서, N-VSSM은 장기 아크 일관성에서 Claude Opus 4.5보다 71%의 경우 선호되었으며, 제어 가능성(controllability)에서는 Likert 척도 +1.3점 더 높게 평가되었다.