属性引导的体裁扩展：让LLM创作超越故事类数据

高质量创意写作数据在大语言模型（LLMs）领域仍以故事为中心的数据为主，这限制了模型遵循多样化创意格式的结构和功能惯例的能力。我们提出了一种属性引导的体裁扩展框架，用于将创意写作数据的规模扩展到故事生成之外。通过将主题广度与体裁形式控制分离，我们的框架利用人工创作的故事提示作为多样化的创意种子，同时利用手工策划的体裁属性来强制实施不同的结构、风格和格式惯例。我们将这些结合起来，提示强大的LLMs生成符合体裁的查询-响应对，然后进行质量过滤。应用此框架，我们构建了多体裁语料库，这是一个包含50K示例的语料库，涵盖13种创意体裁，包括故事、说唱、歌词、剧本、游戏设计、角色设计及其他创意格式。在分布外写作基准和保留体裁诊断上的实验表明，基于我们数据微调的模型不仅持续超越基础模型和写作专用基线，还超越了在现有写作语料库上训练的模型。体裁数量消融进一步表明，受控的体裁扩展，而非仅靠以故事为中心的扩展，是稳健创意写作能力的关键驱动因素。