Временная графовая модель: как SynapTale структурирует нарратив на 180 тысяч слов
Hacker News · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Проект SynapTale представил открытую для исследования временную графовую модель, построенную на основе первых 100 глав серии «Оз». Система использует многоагентные LLM-пайплайны для извлечения сущностей и отношений, превращая литературный текст в верифицируемые факты с учетом эволюции состояния персонажей во времени.
Ценность: Демонстрация показывает новый подход к обработке длинных нарративов: вместо простой визуализации вики-данных создается динамическая графовая структура, способная отслеживать долгосрочные зависимости и эпистемические состояния персонажей. Это может стать основой для более сложных систем анализа художественной литературы и управления сложными сценариями.
Разработчики платформы SynapTale представили интерактивную графовую модель, построенную на материале первых 100 глав серии «Оз». В отличие от традиционных вики-статей или линейных таймлайнов, данная система представляет историю как временной граф, где узлы являются сущностями, а ребра — их действиями и отношениями. По утверждению авторов, вики, аналитика и история отношений являются лишь проекциями этого базового графа, что позволяет сохранять целостность данных даже при масштабном объеме текста. Текущая демоверсия содержит 232 сущности и 1852 ребра, фиксируя состояние истории в каждой главе без необходимости регистрации пользователя.
Ключевой особенностью подхода является учет временного фактора. Разработчики отмечают, что простого поля «активен/неактивен» недостаточно для описания эволюции персонажей. Поэтому система использует три типа связей: мгновенные события, факты идентичности и устойчивые состояния. Последние требуют обоснования и цитат из текста для завершения, что позволяет модели корректно обрабатывать длительные процессы. Например, долг Страшилы перед аистом остается активным на протяжении 92 глав, начиная с восьмой, что демонстрирует способность системы отслеживать долгосрочные обязательства.
Техническая реализация опирается на пять различных многоагентных пайплайнов, сочетающих LLM и NLP. Процесс начинается с онтологического сканирования всей истории. Авторы подчеркивают, что без этого шага языковые модели склонны к созданию неконсистентных полей и новых алиасов для уже существующих сущностей. Онтологический слой фиксирует специфические типы сущностей и ребер, обеспечивая стабильность структуры графа при последовательном извлечении данных по главам.
Отдельное внимание уделено эпистемике — распределению информации между персонажами. Для этого введены специальные узлы, которые фиксируют различные перспективы сущностей относительно одного и того же факта. Хотя авторы признают, что система еще не идеальна в выявлении тонких намёков, этот подход позволяет глубже анализировать динамику взаимодействия. Аналитика графа выявляет интересные паттерны: например, Железный Дровосек имеет наивысшее количество событий убийства, несмотря на свою эмоциональную чувствительность, а Дороти не совершает ни одного обмана в первых 100 главах.
В первых ста главах зафиксировано 60 секретов и 254 события диалога. Система также отслеживает угрозы, где Трусливый Лев занимает третье место по их количеству. Такой детальный разбор превращает художественный текст в набор проверяемых фактов, что открывает новые возможности для анализа нарративов. Проект демонстрирует, как графовые структуры могут служить «живой» моделью истории, способной масштабироваться за счет того, что большинство событий завершаются в той же главе, где начались.