<p>专注挖坑</p>

当前的大规模长上下文语言模型（LLMs）已经可以处理长达 **100,000 tokens** 的输入，但在 **输出长度** 上却存在明显的瓶颈，大多数模型难以生成超过 **2,000** 词的文本。许多现有 SFT（Supervised Fine-Tuning）数据集中的示例长度有限，这限制了模型的生成能力。

叙事和其他形式的话语是传递信息、娱乐和社会认知的重要工具。尽管人们经常用“快速移动”“覆盖广泛内容”“绕圈”等形容叙事特征，但很少有研究量化这些特征并检验它们是否影响成功。为弥补这一空白，论文使用自然语言处理和机器学习技术，通过量化语义路径（速度、范围和迂回度）的特征，探讨这些特征与成功（如电影评分或论文引用）的关系。

叙事是人类日常生活的重要组成部分，从早期史诗到现代电影、书籍和在线内容。研究为何某些叙事更成功，是心理学、哲学和语言学等领域的重要课题。传统理论（如亚里士多德的戏剧结构和Freytag的五幕剧结构）提出了叙事成功的假设，但实证研究较少。本研究通过分析语义进程（semantic progression），探索其对叙事成功的影响。本研究表明，语义进程的速度在叙事成功中扮演重要角色。开头的缓慢节奏有助于观众理解，而结尾的快速进展能增加吸引力。