Почему романы, написанные AI, страдают от дрейфа персонажей и ошибок непрерывности?
2026-08-08
Почему романы, написанные AI, страдают от дрейфа персонажей и ошибок непрерывности?
Романы, написанные AI, начинают «плыть», потому что большие языковые модели генерируют текст вперёд, токен за токеном, оптимизируя локальную правдоподобность, а не глобальную согласованность повествования. Кроме того, ни одна модель не способна удерживать в рабочем внимании всю рукопись во время написания. В результате главный герой, язвительный в первой главе, к пятнадцатой становится шаблонно приветливым; отрубленная рука снова появляется; а пол одного из родственников меняется между сценами. Проблема заключается в архитектуре, а не в недостатке навыков составления промптов.
Исследование, опубликованное на arXiv, прямо определяет ключевое ограничение: трансформерные системы «работают через прямую генерацию — предсказывая следующие токены на основе предыдущего контекста, — что оптимизирует локальную связность и статистическую вероятность, а не долгосрочную сюжетную дугу», и у них нет «механизма для движения назад от желаемых повествовательных эффектов» (Проблема зависимости современной художественной литературы от AI, arXiv).
Ключевые факторы, вызывающие дрейф персонажей и сбои непрерывности:
✅ Только прямая генерация — модели не могут пересматривать прежние веса внимания, когда поздние события меняют значимость информации ✅ Пределы контекстного окна — даже большие окна деградируют, когда доказательства распределены по всей рукописи ✅ Схлопывание в архетипы — модели после RLHF по умолчанию переходят к узнаваемым шаблонам персонажей и аккуратным развязкам ✅ Нет постоянного структурированного состояния — факты о персонажах живут в прозе, а не в доступной для запросов записи, к которой обращается модель ✅ Эмоциональное уплощение — модели поддерживают связность на уровне предложений, но не эмоциональную архитектуру от сцены к сюжетной дуге
Понимание причин этих сбоев делает их исправимыми. В оставшейся части руководства разобран каждый механизм, а затем оценены инструменты и рабочие процессы, которые действительно их смягчают, — включая их реальные ограничения.
Что такое дрейф персонажей в художественном тексте, сгенерированном AI?
Дрейф персонажей — это постепенное, непреднамеренное изменение личности, голоса, физических характеристик или установленной биографии персонажа на протяжении длинного сгенерированного текста. В отличие от намеренной арки персонажа, где изменение мотивировано и отслеживается, дрейф — это немотивированное размывание в сторону статистического среднего.
Обычно дрейф проявляется в четырёх формах:
- Дрейф голоса — регистр диалогов сглаживается до нейтрального, дружелюбного стандарта. Замкнутый, саркастичный главный герой становится тёплым и откровенным без какой-либо сюжетной причины.
- Дрейф черт — установленные физические или биографические факты незаметно меняются. Персонаж теряет руку в четвёртой главе, а в тридцатой сжимает меч обеими руками.
- Мотивационный дрейф — заявленные цели персонажа незаметно перестраиваются под потребности текущей сцены.
- Реляционный дрейф — меняется сеть того, кто что знает. Тайна, которую один персонаж никогда не узнавал, внезапно становится общеизвестной.
Собственная документация Sudowrite описывает этот паттерн почти теми же словами, называя дрейф персонажей «тихим убийцей рукописи» и отмечая, что писатели часто замечают проблему лишь на этапе редактуры, «а теперь вы переписываете 10 000 слов диалогов» (Sudowrite).
Ошибки непрерывности — сюжетный родственник дрейфа: противоречия во временной линии, предметы, которые снова появляются после уничтожения, правила миростроения, меняющиеся между главами. Писатели, обсуждающие серии с поддержкой AI в авторских сообществах, сообщают ровно об этом наборе проблем: «правила миростроения меняются, персонажи забывают прошлые события, возникают логические пробелы, которые никто не замечает» (обсуждение в сообществе авторов LitRPG).
Почему большие языковые модели не могут просто запомнить весь роман?
Потому что запоминание и рассуждение на основе информации — разные задачи, а расширение контекстных окон решает только первую. Модель может технически удерживать в контексте 100 000 слов и всё равно не заметить, что третья глава противоречит двадцать девятой.
Бенчмарк NoCha делает этот разрыв измеримым. Системы AI достигают 59,8% точности в задачах анализа художественного текста на уровне предложений, но их результаты падают до 41,6%, когда задачи требуют глобального рассуждения по целым книгам (Проблема зависимости современной художественной литературы от AI, arXiv). Это падение на 18 пунктов именно в том классе рассуждений, который необходим для непрерывности: синтезе свидетельств из множества несмежных частей повествования.
Бенчмарк NovelQA подтверждает вывод: модели «систематически проваливались в задачах, требующих синтеза свидетельств из множества несмежных частей повествований» (arXiv).
Научные работы по моделированию длинного контекста приходят к тому же выводу с позиции систем: несмотря на значительный прогресс, большие языковые модели «по-прежнему испытывают трудности с длинными контекстами из-за ограничений памяти» (ACL Anthology, результаты EMNLP 2025). А обходные решения на основе извлечения несут собственные издержки: одно исследование 2026 года показало, что RAG «сильнее всего ухудшается на NarrativeQA, подтверждая, что извлечение на уровне фрагментов нарушает глобальную повествовательную связность» (ResearchGate).
Таким образом, два очевидных исправления — большие окна или извлечение — дают сбой в разных направлениях. Большие окна размывают внимание. Извлечение дробит повествовательный поток.
Какие архитектурные ограничения на самом деле вызывают сбои непрерывности?
Сбои непрерывности вызывают три разных архитектурных механизма, и это не одна и та же проблема в разных обличьях. Различать их важно, потому что для каждого требуется свой способ смягчения.
1. Повествовательная причинность и прямая генерация
Художественный текст требует событий, которые кажутся «одновременно неожиданными в моменте и ретроспективно неизбежными» — временной парадокс, который «фундаментально конфликтует с логикой прямой генерации трансформерных архитектур» (arXiv). Физическая причинность движется вперёд. Повествовательная причинность должна быть выстроена так, чтобы удовлетворить будущему условию, до которого модель ещё не дошла.
2. Переоценка информации
Это наименее обсуждаемый и, возможно, наиболее разрушительный механизм. В художественном тексте значимость детали меняется задним числом. Сцена званого ужина остаётся фоновым шумом, пока убийство не переосмысливает её как мотив и возможность. Токены не меняются; меняется их информационный вес.
Трансформерные архитектуры не могут выполнять такое перевзвешивание. Как сказано в анализе arXiv: «Веса внимания устанавливаются во время прямого прохода и не могут быть ретроспективно пересмотрены на основе поздних откровений. Модели не способны перестраивать иерархию значимости прошлой информации, опираясь на будущее знание. Они обрабатывают информацию накопительно, а не преобразующим образом» (arXiv).
Это объясняет озадачивающее наблюдение, о котором сообщают многие писатели: даже при огромных контекстных окнах AI «прочитал» предвосхищение, но всё равно не использовал его. Информация присутствовала. Неправильным был её приоритет.
3. Многоуровневая эмоциональная архитектура
Убедительная художественная литература одновременно оркеструет чувства на уровне слова, предложения, сцены и сюжетной дуги. Современные модели «превосходно справляются с локальной семантической связностью... но испытывают трудности с тем типом многоуровневой эмоциональной архитектуры, которого требует художественная литература» (arXiv).
Эмпирическая картина устойчива. Рецензии на преимущественно сгенерированный AI роман Стивена Марша Death of an Author описывают «жутковатую безмятежность, которая преобладает даже тогда, когда происходит что-то значимое или тревожное». Масштабный анализ Реттберга и Вигерса 11 800 историй, сгенерированных AI, обнаружил подавляющее соответствие одному сюжетному шаблону и систематическое избегание повествовательного напряжения, «санитизацию конфликтов реального мира» в пользу «ностальгии и примирения» (arXiv).
Примечательно, что при внедрении в процесс генерации явных признаков уровня дискурса — сюжетных дуг, поворотных точек, аффективной динамики — результаты улучшились более чем на 40%. Это свидетельствует, что дефицит отчасти архитектурный, а отчасти зависит от того, с какой информацией работает модель (arXiv).
Является ли дрейф персонажей просто результатом плохих промптов или проблема глубже?
Проблема глубже, однако промпты и подготовка ощутимо влияют на масштаб. Это одно из наиболее спорных утверждений в дискуссиях о написании текстов с AI, и доказательства поддерживают нюансированную позицию, а не какую-либо из крайностей.
Доказательства архитектурной природы проблемы: падение результатов на бенчмарках, фиксированные веса внимания, однородность результатов по пяти разным архитектурам моделей в межмодельных исследованиях, где «последовательное повторение конкретных имён, локаций, профессий и тем» наблюдалось «независимо от архитектурных различий» (arXiv).
Доказательства важности подготовки: исследователи обнаружили, что ранние модели, дообученные на корпусах отдельных авторов, «по-видимому, осваивали специфичные для жанра эвристики взвешивания информации». Чат-интерфейсы после ChatGPT с настройками по умолчанию, ограниченными безопасностью, и общими промптами создают заметно худшую художественную прозу, чем ранние эксперименты с прямым API и индивидуально настроенными гиперпараметрами. Уместно предложенное сравнение: «джазовый музыкант, обученный конкретным стилям и способный творчески импровизировать, против туриста, пользующегося разговорником» (arXiv).
Есть и контринтуитивный вывод, над которым стоит задуматься. Рецензируемое исследование 2026 года, о котором писала The Guardian, показало, что участники, прочитавшие историю, сгенерированную AI, оценили её как более захватывающую и более качественную, чем участники, читавшие текст человека (The Guardian); об этом же сообщала BBC (BBC). Смежное исследование установило, что повествования AI «воспринимались как более приятные», тогда как человеческие повествования «ценились выше» (ScienceDirect).
Критически важная оговорка: эти исследования тестировали короткие рассказы. Дрейф персонажей и сбои непрерывности — патологии, зависящие от длины текста. У AI-истории на 1 500 слов почти нет шансов противоречить самой себе. У романа на 90 000 слов их тысячи. Вывод о качестве и вывод о дрейфе не противоречат друг другу: они описывают разные диапазоны длины.
Практический вывод: дрейф имеет архитектурное происхождение, но его степень поддаётся контролю. Внешняя структурированная память, явное отслеживание состояния и итерации с участием человека заметно его снижают. Но ни один из этих подходов не устраняет проблему полностью.
Как фреймворки извлечения и отслеживания состояния уменьшают ошибки непрерывности?
Исследовательские фреймворки, добавляющие явное отслеживание состояния поверх базовой модели, дают измеримые, опубликованные улучшения. Их масштаб показывает, какую часть проблемы можно решить на уровне инструментов.
Фреймворк SCORE (Story Coherence and Retrieval Enhancement) объединяет три компонента: Dynamic State Tracking — мониторинг объектов и персонажей с помощью символьной логики; Context-Aware Summarization — иерархические резюме эпизодов; и Hybrid Retrieval — релевантность ключевых слов TF-IDF плюс семантические эмбеддинги косинусного сходства. Они объединены в темпорально выровненный конвейер RAG (SCORE, arXiv).
Его опубликованные результаты относительно базовых моделей:
| Метрика | Улучшение относительно базового GPT |
|---|---|
| Повествовательная связность (NCI-2.0) | +23,6% |
| Эмоциональная согласованность (EASM) | 89,7% |
| Снижение галлюцинаций | На 41,8% меньше |
Метрика статуса предметов наиболее показательна. Базовые модели получили 0 при отслеживании того, корректно ли присутствуют обязательные повествовательные предметы. Это означает, что предметы, отмеченные как потерянные или уничтоженные, регулярно появлялись вновь без объяснения. Версии с расширением SCORE получили от 76,2 до 98 в зависимости от базовой модели (SCORE, arXiv).
Результаты по моделям из того же исследования:
| Базовая модель | Согласованность (база → SCORE) | Связность (база → SCORE) | Статус предметов (база → SCORE) |
|---|---|---|---|
| GPT-4 | 83,21 → 85,61 | 84,32 → 86,90 | 0 → 98 |
| GPT-4o | 86,78 → 88,68 | 82,21 → 89,91 | 0 → 96 |
| Claude 3 | 84,60 → 87,20 | 80,90 → 85,70 | 0 → 93,1 |
| Gemini Pro | 82,20 → 85,20 | 83,40 → 86,00 | 0 → 95,0 |
| Llama-13B | 71,30 → 79,10 | 69,80 → 73,40 | 0 → 76,2 |
Из этого следует выделить два паттерна. Во-первых, более слабые базовые модели выигрывают больше: Llama-13B улучшилась на 7,8 пункта по согласованности против 2,4 пункта у GPT-4. Структурированная память частично компенсирует исходные возможности модели. Во-вторых, прирост связности и согласованности умеренный — от 2 до 8 пунктов, тогда как отслеживание предметов поднимается с нуля почти до идеала. Явное отслеживание состояния решительно устраняет проблему учёта. Но почти не затрагивает более глубокую проблему повествовательной причинности.
Авторы фреймворка сами признают ограничения: «зависимость непрерывности ключевых предметов от точности извлечения и вычислительные накладные расходы иерархического суммирования» (SCORE, arXiv).
Какие инструменты для написания текстов с AI лучше всего поддерживают согласованность персонажей?
Потребительские инструменты для работы с AI борются с дрейфом с помощью одной доминирующей стратегии: внешней структурированной записи, по-разному называемой Story Bible, Codex или Lorebook, которая внедряется в контекст при каждой генерации. Инструменты различаются по уровню автоматизации, охвату памяти и объёму необходимой подготовки.
Наша методика оценки делает акцент на пяти параметрах, специфичных для проблемы дрейфа: постоянная структурированная память, эффективный охват контекста, непрерывность между книгами, нагрузка настройки и явная проверка непрерывности. Общая «качество прозы» намеренно исключена: именно этот параметр меньше всего связан с дрейфом.
📚 Sudowrite
Функция Write в Sudowrite читает до 20 000 слов предшествующего текста и до 25 связанных документов глав, объединённых с данными Story Bible о персонажах, миростроении, жанре, стиле, синопсисе и плане. Карточки персонажей содержат местоимения, личность, биографию, физическое описание и стиль диалогов. Series Folder делится данными Story Bible между несколькими книгами, а Chapter Continuity связывает документы для памяти в длинной форме (Sudowrite, руководство Sudowrite по сериям).
Сильные стороны: Наименьшее трение при настройке среди специализированных инструментов для художественной литературы. Модель, настроенная для художественных текстов. Автоматическое соблюдение POV и времени. Явная непрерывность на уровне серии.
Ограничения: Окно в 20 000 слов — жёсткий потолок: для романа на 100 000 слов это приблизительно последняя пятая часть. Связывание глав выполняется вручную, и его легко упустить; собственные рекомендации Sudowrite предупреждают, что несвязанные документы оставляют AI с «нулевой памятью о главах с первой по девятую». Story Bible настолько точна, насколько точны внесённые вами данные, и не обновляется автоматически на основе написанной прозы.
🗂️ Novelcrafter
Novelcrafter использует систему Codex как слой структурированной памяти. В собственном конкурентном сравнении Sudowrite этот механизм описан прямо: «Долгосрочная память AI — это, по сути, информация, которую вы кропотливо внесли в Codex. Это создаёт мощный цикл обратной связи» (Sudowrite).
Сильные стороны: Глубокий, детализированный контроль над тем, что видит модель. Гибкость использования собственной модели. Предпочтителен для писателей, которые тщательно планируют до начала черновика.
Ограничения: Постоянно упоминаемая проблема — стоимость настройки. Один подробный обзор 2026 года назвал его «одним из самых мощных инструментов AI для письма, которые я тестировал, и безусловно тем, у которого самый тяжёлый старт» (обзор на Medium). Качество непрерывности прямо пропорционально дисциплине ведения Codex: скудный Codex — дрейфующие персонажи.
💬 Универсальные помощники (ChatGPT, Claude, Gemini)
Сильные стороны: Наиболее сильные исходные способности к рассуждению и гибкость прозы. Нет привязки по подписке к единственной среде для письма. Отличны в роли аудитора непрерывности: передать раздел рукописи и попросить отметить противоречия — действительно эффективный вариант применения, который активно обсуждают писатели (
).Ограничения: По умолчанию нет постоянной структурированной памяти о сюжете. Контекст нужно заново устанавливать в каждой сессии. POV и время требуют ручных инструкций. Один обзор, ориентированный на писателей, отметил, что универсальные помощники могут быть «плохими для художественной литературы, потому что они “исправляют” намеренные стилистические решения и лишают текст вашего голоса» (
).🧠 Jenova
Подход Jenova к дрейфу реализован на уровне платформы, а не рукописи: постоянная межсессионная память, неограниченная история чатов и подключаемые базы знаний позволяют Story Bible существовать в качестве опорного документа, к которому агент обращается между сессиями, а не который приходится вставлять заново. Агент Creative Fiction Writer и Writing Assistant могут работать с загруженной рукописью и справочником персонажей, а доступ к нескольким моделям позволяет направлять проверку непрерывности в одну модель, а генерацию прозы — в другую без ведения отдельных аккаунтов.
Ограничения — прямо: Jenova не является специализированной средой управления рукописями. В ней нет системы связывания глав, интерфейса карточек сцен, отдельного прохода проверки непрерывности или аналога Series Folder. Писателям, которым нужно единое приложение, где рукопись, план и AI находятся в одном структурированном рабочем пространстве, лучше подойдут Sudowrite или Novelcrafter. Преимущество Jenova — постоянство памяти и гибкость моделей, а не инфраструктура для рукописей.
Сравнительная таблица
| Параметр | Sudowrite | Novelcrafter | ChatGPT / Claude | Jenova |
|---|---|---|---|---|
| Структурированная память о сюжете | Story Bible с карточками персонажей (постоянная) | Codex с ручным ведением (постоянный) | По умолчанию отсутствует | Подключаемая база знаний + межсессионная память |
| Эффективный охват контекста | 20 000 слов + 25 связанных глав | Внедрение Codex, зависит от модели | Только в рамках сессии; требуется повторная вставка | Постоянная между сессиями; неограниченная история |
| Непрерывность между книгами | Series Folder делится Bible между книгами | Codex можно повторно использовать между проектами | Вручную | Базу знаний можно использовать между сессиями |
| Нагрузка настройки | Низкая–умеренная | Высокая, что широко отмечается | Очень низкая, но без преимуществ памяти | Низкая |
| Явная проверка непрерывности | Функция Chapter Continuity | Косвенно, через Codex | Сильна в роли ручного аудитора | Ручной аудит через агента |
| Выбор модели | Muse — проприетарная, настроенная для художественных текстов | Собственная модель пользователя | Один поставщик на инструмент | Несколько поставщиков: OpenAI, Anthropic, Google, xAI, DeepSeek |
| Цена | Не проверено — уточняйте текущие планы | Не проверено — уточняйте текущие планы | Зависит от поставщика | Бесплатный уровень; Plus $20/мес. (30× бесплатного использования); Premium $50/мес. (75×) |
| Лучше всего подходит для | Романистов, которым нужны специализированные инструменты с минимальной настройкой | Планировщиков, готовых вложиться в подробный Codex | Аудита непрерывности и гибкого написания | Писателей, которым нужна постоянная память и гибкость моделей между проектами |
Примечание о распространяемых в этой сфере статистических данных от поставщиков: такие цифры, как «89% писателей, использующих специализированные инструменты AI для художественной литературы, отмечают лучшее качество прозы» и «92% пользователей Sudowrite завершают рукописи быстрее», приводятся в маркетинговых материалах Sudowrite со ссылкой на внутренние опросы (Sudowrite). Относитесь к данным опросов от первой стороны соответствующим образом: они не проверены независимо, а опросы самоотобранных пользователей склонны давать положительные результаты.
Как предотвратить дрейф персонажей при написании текста с AI?
Профилактика сводится к вынесению вовне состояния, которое модель не может удерживать, и к аудитам с достаточно короткими интервалами, чтобы дрейф было недорого исправить. Следующий рабочий процесс применим в разных инструментах; шаги, специфичные для инструментов, отмечены отдельно.
1. Создайте запись о персонаже до начала черновика, а не во время него.
Для каждого главного персонажа нужна зафиксированная запись с физическими характеристиками, речевым регистром, биографическими фактами, текущим состоянием знаний — что он знает и когда узнал — и картой отношений. В Sudowrite это карточка персонажа в Story Bible. В Novelcrafter — запись Codex. В универсальном помощнике или Jenova — загруженный справочный документ.
Рекомендация Sudowrite конкретна: «Потратьте по 15 минут на каждого главного персонажа заранее. Позже это сэкономит часы редактуры» (Sudowrite).
2. Ведите текущий журнал состояния, а не только статичную Bible.
Этот шаг пропускает большинство писателей, и именно его наиболее прямо подтверждает исследование SCORE. Статичные биографии персонажей не предотвращают ошибки статуса предметов — для этого нужно динамическое состояние. Ведите простой текстовый журнал: одна строка на каждое изменение состояния.
Ch4 — Elena loses left hand (permanent)
Ch8 — Marcus switches allegiance to the Vale faction
Ch11 — The ledger is destroyed by fire (unrecoverable)
Ch12 — Elena learns Marcus's betrayal (Kira does NOT know)
Передавайте этот журнал в контекст вместе с главой, над которой работаете. Это ручной эквивалент Dynamic State Tracking из SCORE, который поднял точность статуса предметов с 0 до 93–98 для разных моделей (SCORE, arXiv).
3. Проводите аудит каждые пять глав, а не в конце.
Запускайте отдельную проверку непрерывности на скользящем окне. Промпт, который хорошо работает с любым универсальным помощником:
«Вот главы 8–12 моего романа и журнал персонажей. Ничего не переписывай. Перечисли только: (а) утверждения, противоречащие журналу, (б) персонажей, чей регистр диалогов отклонился от их установленного голоса, (в) любые предметы или сведения, появившиеся без предварительного введения. Для каждого укажи главу и строку».
Ограничение «ничего не переписывай» важно: оно не позволяет модели молча исправлять противоречия вместо их выявления.
4. Используйте разные модели для написания и аудита.
Модель, породившая дрейф, плохо его обнаруживает. Направление аудита в другую модель помогает найти ошибки, которые модель, писавшая черновик, нормализовала. На платформах с доступом к нескольким поставщикам это просто; в инструментах одного поставщика потребуется вторая подписка.
5. Оставляйте последнее предложение незаконченным при продолжении.
Небольшой, но действительно эффективный приём. Sudowrite отмечает, что незавершённое предложение «создаёт заметно более естественные продолжения», поскольку модель подхватывает мысль на середине, а не начинает заново с нуля (Sudowrite). Это уменьшает дрейф из-за сброса голоса на границах сцен.
6. Соотносите настройки креативности с функцией сцены.
Высокая температура — для мозгового штурма и исследовательских сцен. Низкая температура — для сцен, которые должны попасть в конкретные сюжетные точки. Дрейф ускоряется при высокой температуре именно потому, что модель получает поощрение за отклонение от установленного паттерна.
Что говорят исследователи и практики о проблеме согласованности в художественной литературе AI?
Среди исследователей существует консенсус, что сбой непрерывности — симптом более глубокого архитектурного несоответствия, а текущие меры смягчения управляют симптомом, но не излечивают причину.
«Веса внимания устанавливаются во время прямого прохода и не могут быть ретроспективно пересмотрены на основе поздних откровений. Модели не способны перестраивать иерархию значимости прошлой информации, опираясь на будущее знание. Они обрабатывают информацию накопительно, а не преобразующим образом. Это объясняет, почему даже модели с огромными контекстными окнами испытывают трудности с пониманием повествования. Проблема не в недостаточной памяти, а во встроенной архитектурной модели, которая не оптимизирована для постоянного перевзвешивания информации, требуемого художественными повествованиями».
«Современным системам не хватает механизма для движения назад от желаемых повествовательных эффектов или для одновременного удержания нескольких возможных сюжетных траекторий при выборе пути, который удовлетворяет ограничениям и неожиданности, и неизбежности... итеративный процесс генерации повествования с участием человека — единственный метод, который мы пока нашли для успешной генерации художественной литературы».
— Кэтрин Элкинс, Integrated Program in Humane Studies и AI CoLab, Kenyon College (Проблема зависимости современной художественной литературы от AI, arXiv)
Инженерный взгляд тех, кто строит решения вокруг этого ограничения, приходит к совместимому выводу с другой стороны.
«Мы постоянно видим одну картину: писатели винят себя за дрейф AI — предполагают, что плохо сформулировали промпт. На практике сбой структурный. У модели, которую просят продолжить тридцатую главу, в лучшем случае есть частичная видимость глав с первой по двадцать девятую и вообще нет механизма, позволяющего понять, что деталь из третьей главы стала несущей в двадцатой. Лучшие промпты улучшают запас прочности. Они не меняют форму проблемы».
«Реально меняет ситуацию вынесение состояния вовне. Здесь показательны результаты SCORE: базовые модели получили ноль за отслеживание правильного присутствия повествовательных предметов, а добавление явного отслеживания состояния подняло результат до девяностых. Это не незначительное улучшение — это разница между системой, которая умеет вести учёт, и системой, которая не умеет. Но то же исследование сдвинуло связность лишь на два-восемь пунктов. Этот разрыв точно показывает, какие проблемы решают инструменты, а какие остаются задачей автора».
«Наша практическая рекомендация писателям — относиться к AI как к движку черновиков с амнезией и самостоятельно строить память в форме, которую вы контролируете. Простой текстовый журнал состояния превосходит сложный инструмент, используемый небрежно. И проводите аудит моделью, отличной от той, которой писали черновик: модели систематически не замечают собственные паттерны дрейфа».
— Команда продукта Jenova, 4 года разработки систем агентов с постоянной памятью
Решат ли будущие модели AI проблему дрейфа персонажей?
Частично — и, вероятно, не за счёт одних лишь контекстных окон. Доказательства указывают на архитектурные изменения и гибридные системы, а не просто на масштабирование.
Что масштабирование, вероятно, не исправит: проблема переоценки информации структурна. Большее окно не даёт архитектуре прямого прохода возможности ретроспективно перевзвесить внимание к третьей главе, когда двадцатая раскрывает её значимость. Исследования длинного контекста неоднократно показывают, что модели «испытывают трудности с длинными контекстами из-за ограничений памяти и присущих им» архитектурных ограничений (ACL Anthology), а шум ухудшает результаты по мере роста контекста (ResearchGate).
Что выглядит более перспективным:
- Архитектуры «сгенерировать и оценить» — исследование нескольких повествовательных траекторий и ретроспективная оценка каждой по неожиданности и неизбежности вместо привязки к единственному пути вперёд (arXiv)
- Инкрементальное построение графа знаний — модульная конструкция SCORE уже поддерживает формирование постоянной памяти о сюжете в виде структурированного графа, а не текстового блока (SCORE, arXiv)
- Внедрение признаков уровня дискурса — вывод о том, что явные признаки сюжетной дуги и поворотных точек улучшили результаты более чем на 40%, указывает на значительный потенциал в том, какую информацию мы сообщаем моделям о структуре повествования (arXiv)
- Обучение с подкреплением для отслеживания длинного контекста — поощрение моделей именно за поддержание связных повествований в ходе длительных взаимодействий (анализ на Medium)
Честная оценка на ближайшую перспективу: по состоянию на 2026 год итерации с участием человека остаются единственным надёжно эффективным методом генерации художественной литературы большой формы, согласно исследователям, изучающим эту тему наиболее непосредственно (arXiv). Инструментальный слой — story bible, codex, журналы состояния, конвейеры извлечения — доказуемо решил половину проблемы, связанную с учётом. Половина, связанная с повествовательной причинностью, остаётся открытой.
Для писателей это создаёт ясное разделение труда. Пусть инструменты отвечают за непрерывность фактов: кто чем владеет, кто что знает, что и когда произошло. Непрерывность смысла оставьте себе: почему это событие важно, почему имело произойти именно с этим персонажем, почему финал всё это время был неизбежен. Именно в этой второй категории художественная литература, сгенерированная AI, всё ещё читается, по запоминающемуся выражению Элкинс, с «жутковатой безмятежностью».
Creative Fiction Writer от Jenova доступен на jenova.ai/a/creative-fiction-writer и предлагает постоянную межсессионную память и подключаемые базы знаний для справочных материалов по истории. Бесплатный уровень включает ограниченное ежемесячное использование; Plus стоит $20 в месяц и предлагает 30× бесплатного лимита. Инструменты Sudowrite для художественной литературы описаны на sudowrite.com, а система Codex от Novelcrafter — на novelcrafter.com. На момент написания цены и наборы функций всех трёх сервисов часто меняются — проверяйте актуальные сведения непосредственно у поставщиков.