写作前三思：书籍中人物描述的 QA 引导推理

角色描述生成对于以叙事为中心的应用程序（例如摘要、故事分析和角色驱动的模拟）来说是一项重要功能。然而，从长篇叙事（例如小说）中生成准确的人物描述具有挑战性：模型必须跟踪不断变化的属性（例如关系和事件），整合分散在文本中的证据，并推断隐含的细节。尽管支持推理的 LLM 在许多基准测试中取得了成功，但我们发现，对于角色描述生成，当禁用内置推理（即空推理跟踪）时，其性能会提高。受此启发，我们提出了一个将推理与生成分离的训练框架。我们的方法可以应用于长上下文 LLM 或基于块的方法之上，由一个推理模型和一个生成模型组成，推理模型生成结构化 QA 推理轨迹，生成模型根据该轨迹生成最终的角色描述。对两个数据集（BookWorm 和 CroSS）的实验表明，QA 引导推理提高了 忠实性、信息量和强长上下文基线的基础。