相树：对长视野角色扮演对话中的角色状态演化进行建模

长期角色扮演要求角色随着叙事的发展而保持可识别性。然而，现有的工作在两个方面存在不足：表示通常是静态的配置文件，无法在本地更新而不破坏未改变的特征的稳定性，而基准测试主要测试角色保存和记忆回忆，而不是模型是否从角色当前的进化状态说话。我们解决这两个问题。 PHASE-Tree 是一种多时间尺度的角色状态树，具有不可变的身份根和可变的角色、会话和时刻层，使每个可变字段成为局部内和跨情节更新的可寻址目标。它通过显式文本提供或隐式参数适应来调节生成。为了测量进化状态的生成，我们引入了 LongEvoRoleBench，它在统一的下一个话语协议下将四个长对话语料库配对用于跨情节进化，与四个短对话语料库作为场景内状态跟踪检查。在长对话核心上，文本相树在针对内部变体的 12 个数据集度量单元中的 11 个中排名第一，在针对外部文本基线的所有 12 个单元中排名第一，将字符级、语义和嵌入分数分别提高了 19.7%、12.4% 和 15.1%。在一项包含 200 人回答的盲法研究中，人类评分与 GPT-4.1 判断相关（Pearson r= 0.65）；在描述性 n= 10 PT 和 NR 提示子集上，总体差异为 +0.20。长对话 Sem 的优势在 LLM 评委和一代骨干中依然存在。