Universidade de Zhejiang apresenta estrutura de RPG imersiva para tornar as interações com IA mais naturais

A interpretação de papéis com IA está indo além das simples conversas baseadas em texto, evoluindo para dramas ricos e imersivos. Pesquisadores da Universidade de Zhejiang e do Tencent Youtu Lab apresentaram recentemente o AdaMARP, uma estrutura de interação multiagente autoadaptativa que aborda as principais fraquezas da interpretação de papéis em modelos de linguagem de grande porte atuais, como a fraca percepção do ambiente e a narrativa rígida. A estrutura confere à IA as habilidades de gerenciamento de cena e narrativa de um diretor. Este trabalho foi aceito na conferência internacional ACL 2026.

Principais pontos críticos: a falta de “ambiente” e de um “diretor”

Nos jogos de RPG com IA atuais, os usuários podem conversar com personagens históricos ou literários, mas as interações costumam se limitar a trocas de texto dentro de cenários estáticos. Por exemplo, em um cenário de detetive, os sistemas tradicionais de IA se comportam como máquinas falantes repetitivas, incapazes de raciocinar a partir de pistas ambientais, como manchas de cera no tapete, ou lidar com necessidades narrativas complexas, como múltiplas mudanças de personagem e transições de cena. Esse modo vazio impede que os usuários sintam autenticidade real ou tensão narrativa.

Estrutura AdaMARP: Mensagens de Quatro Canais e Programação Dinâmica

Para romper esse impasse, a equipe de pesquisa projetou uma nova lógica de interação. Primeiro, o AdaMARP introduz um “formato de mensagem de quatro canais”, dividindo cada rodada em “Pensamento – Ação – Ambiente – Fala”. Em vez de apenas gerar diálogos, a IA agora entrelaça a atmosfera ambiental (como lâmpadas a gás tremeluzentes), pensamentos internos e linguagem corporal em uma cadeia causal completa.

Em segundo lugar, a estrutura inclui um “Gerenciador de Cena” que atua como o diretor da narrativa. Ele possui cinco capacidades principais: inicializar a cena, selecionar o interlocutor, alternar entre cenas, introduzir dinamicamente novos personagens e encerrar a interação. Isso permite que a IA decida autonomamente quando se deslocar da cena do crime para a casa de uma testemunha ou quando fazer com que um novo suspeito entre pela porta.

Treinamento e Avaliação: Da Literatura à Simulação

Para dotar a IA de habilidades genuínas de atuação e direção, a equipe construiu conjuntos de dados de alta qualidade, AdaRPSet e AdaSMSet. Esses conjuntos de dados contêm perfis detalhados de personagens e trajetórias de interação de 81 obras literárias clássicas, além de 20 enredos sintéticos temáticos diferentes. Isso garante que o modelo aprenda a textura literária enquanto domina a lógica de programação dinâmica.

Além disso, a equipe introduziu uma estrutura de avaliação complementar chamada AdaptiveBench. Ao contrário das avaliações tradicionais de conversas de uma única rodada, o AdaptiveBench avalia os modelos no nível da trajetória, com foco na consistência dos personagens, na percepção do ambiente e na naturalidade da progressão narrativa. Isso proporciona uma avaliação abrangente do desempenho da IA em interações complexas com textos longos.

Essa estrutura abre um novo caminho técnico para cenários interativos imersivos, como raciocínio detetivesco e narrativa de aventura. Ao acoplar profundamente o ambiente e a lógica narrativa, a IA está evoluindo de um simples assistente de chat para um artista digital com consciência criativa avançada.