论文精读

Lost in Stories 精读报告

探讨 LLM 在长篇叙事理解中的信息丢失与追踪能力

长文本理解 叙事追踪 LLM 评测

Lost in Stories: Consistency Bugs in Long Story Generation by LLMs 精读

PAPER DEEP READING / Microsoft + SUTD / 2026-03-06

当讲故事的人忘记了自己的故事 — 这篇来自 Microsoft 和新加坡科技设计大学的论文，首次系统性地研究了 LLM 在长篇故事生成中的一致性 Bug，提出了 ConStory-Bench 基准和 ConStory-Checker 自动检测管道。

指标数值
基准规模2,000 个 prompt
任务场景4 种 (Generation / Continuation / Expansion / Completion)
错误分类5 大类 + 19 个子类型
评估模型数30+ 模型（闭源 + 开源 + 能力增强 + Agent）
目标生成长度8,000–10,000 words
检测管道4 阶段 LLM-as-Judge (o4-mini)
评估指标CED (Consistency Error Density) + GRR (Group Relative Rank)
最佳模型GPT-5-Reasoning (CED: 0.113, GRR: 3.05)
最差模型MiniMax-M1-80k (CED: 3.447) / LongAlign-13B (CED: 3.664)
验证 F10.678 (ConStory-Checker vs. 人类专家 0.229)

目录

  1. 论文概览
  2. ConStory-Bench: 基准设计
  3. 一致性错误分类法
  4. ConStory-Checker: 自动检测管道
  5. 评估指标设计
  6. RQ1: 模型一致性表现排名
  7. RQ2: 错误与输出长度的关系
  8. RQ3: Token 熵与错误的关联
  9. RQ4: 错误类型共现模式
  10. RQ5: 错误在叙事中的位置分布
  11. 核心洞察与启示

一、论文概览

1.1 基本信息

项目内容
标题Lost in Stories: Consistency Bugs in Long Story Generation by LLMs
机构Microsoft (北京) + Singapore University of Technology and Design
作者Junjie Li, Xinrui Guo, Yuhao Wu, Roy Ka-Wei Lee, Hongzhi Li, Yutao Xie
arXiv2603.05890
发布时间2026 年 3 月 6 日
项目页https://picrew.github.io/constory-bench.github.io/

1.2 核心问题

📜 原文: “What happens when a storyteller forgets its own story? Large Language Models (LLMs) can now generate narratives spanning tens of thousands of words, but they often fail to maintain consistency throughout. When generating long-form narratives, these models can contradict their own established facts, character traits, and world rules.”

现有故事生成基准（如 HelloBench、WritingBench）主要关注情节质量和流畅度，对一致性错误几乎没有系统性评估。论文用一个生动的例子说明问题：故事开头描述 5 岁的 Jamie，但几段之后 Mara 却对司机说”能帮帮我 15 岁的儿子吗？“——年龄从 5 岁跳到 15 岁，这就是典型的一致性 Bug。

1.3 核心贡献

论文提出三大贡献：

  1. ConStory-Bench：首个专门评估长篇叙事一致性的基准，包含 2,000 个 prompt、4 种任务场景和 5 大类 19 细分的错误分类法。
  2. ConStory-Checker：4 阶段自动化评估管道，不仅检测矛盾，还为每个判断提供明确的文本证据链。
  3. 五个研究问题的系统分析：覆盖模型排名、长度-错误关系、熵-错误关联、错误共现模式和叙事位置分布。

1.4 五个研究问题

论文围绕 5 个 RQ 展开实验：

  • RQ1: 不同 LLM 在超长文本生成中维持叙事一致性的能力有多强？不同模型的错误类型分布是否相似？
  • RQ2: 一致性错误如何随输出长度增长？不同架构的模型有何差异？
  • RQ3: 什么底层因素导致一致性错误的产生？是否存在可靠的预测信号？
  • RQ4: 不同类型的一致性错误是系统性共现，还是独立发生？
  • RQ5: 一致性错误在长篇叙事中的位置分布规律是什么？

二、ConStory-Bench: 基准设计

2.1 数据来源与构建流程

ConStory-Bench 的 prompt 来源于 WikiPlots（一个收集自 Wikipedia 的故事情节数据集）。构建流程为：

  1. 任务改写：使用 o4-mini 将每个故事改写为对应任务类型的 prompt，保留原始叙事要素，同时约束目标生成长度为 8,000–10,000 words。
  2. 质量控制：(i) MinHash 去重去除近重复 prompt；(ii) 人工审核 + 自动启发式过滤低质量或平凡样例。
  3. 最终获得 2,000 个高质量 prompt。

2.2 四种任务场景

任务类型数量占比说明
Generation75137.5%从极简情节设定出发，自由生成完整叙事
Continuation43221.6%续写给定的故事开头片段
Expansion42221.1%将简洁但相对完整的大纲扩展为长篇故事
Completion39519.8%给定首尾、补全中间情节

📜 原文: “Generation involves producing free-form narratives from minimal plot setups, where consistent characters, rules, and causal chains must be instantiated without prior context.”

四种任务设计的核心逻辑：Generation 最难——没有先验上下文，模型必须自行建立并维护所有一致性约束；Continuation 有部分上下文锚定；Expansion 有完整大纲骨架；Completion 首尾固定，约束最强。

三、一致性错误分类法

3.1 五大类 + 十九子类

📜 原文: “The taxonomy comprises five top-level categories and 19 fine-grained error types, encompassing contradictions that emerge across temporal logic, character memory, world-building rules, factual details, and narrative style.”

大类子类型含义
Timeline & Plot LogicAbsolute Time Contradictions绝对时间矛盾（如”1982年12月”变成”1985年”）
Duration Contradictions持续时间矛盾（“三天旅程”变成”一周”）
Simultaneity Contradictions同时性矛盾（不可能同时发生的事件）
Causeless Effects无因之果（结果缺乏因果前提）
Causal Logic Violations因果逻辑违反（因果链断裂）
Abandoned Plot Elements遗弃的情节线索（引入但从未解决的情节）
CharacterizationMemory Contradictions记忆矛盾（角色忘记已建立的关系/经历）
Knowledge Contradictions知识矛盾（角色展示超出背景设定的知识）
Skill Fluctuations能力波动（角色能力无解释地剧变）
Forgotten Abilities遗忘的能力（角色不使用已建立的能力）
World-building & SettingCore Rules Violations核心规则违反（违背世界观的基本设定）
Social Norms Violations社会规范违反（不符合故事世界的社会规则）
Geographical Contradictions地理矛盾（地点描述前后不一）
Factual & Detail ConsistencyAppearance Mismatches外貌不匹配（角色外貌描述变化）
Nomenclature Confusions命名混淆（人名/地名/称谓前后不一）
Quantitative Mismatches数量不匹配（数字、年龄、日期矛盾）
Narrative & StylePerspective Confusions视角混淆（如第一人称突然变第三人称）
Tone Inconsistencies语调不一致（风格基调突变）
Style Shifts风格偏移（写作风格无故变化）

3.2 分类法的设计依据

分类法基于叙事理论和先前故事理解研究（Ismayilzada et al., 2024; Xie et al., 2023），涵盖了叙事一致性的五个维度。关键设计原则：

  • 层次化：5 大类覆盖宏观维度，19 子类提供细粒度检测目标
  • 可操作化：每个子类都有明确的检测指南（“Look for” 列表）和标准化的 JSON 输出格式
  • 互补不重叠：五个维度分别针对时间线、角色、世界观、事实细节和叙事风格

四、ConStory-Checker: 自动检测管道

4.1 四阶段管道架构

📜 原文: “We introduce CONSTORY-CHECKER, an automated LLM-as-judge pipeline for scalable and auditable consistency evaluation.”

Stage 1: Category-Guided Extraction（分类引导提取）

  • 使用五个维度的专属 prompt 扫描叙事文本
  • 每个维度有详细的”EXTRACTION CATEGORIES”定义和”Look for”指南
  • 提取可能存在矛盾的文本片段

Stage 2: Contradiction Pairing（矛盾配对）

  • 将提取的片段进行成对比较
  • 分类为 Consistent 或 Contradictory
  • 借鉴 CheckEval 和 ProxyQA 的方法论，有效降低假阳性

Stage 3: Evidence Chains（证据链构建）

  • 对每个确认的矛盾，记录三要素：
    • Reasoning：为什么这两段文本不能同时为真
    • Evidence：引用原文并标注位置
    • Conclusion：错误类型标签

Stage 4: JSON Reports（标准化 JSON 输出）

  • 生成结构化 JSON 报告
  • 包含：引文(fact_quote)、位置(location)、矛盾对(contradiction_pair)、错误类别(error_category)、上下文解释(context)
  • 所有判断锚定到精确的字符级偏移量

4.2 评估模型选择

📜 原文: “We adopt o4-mini as the evaluation model to balance accuracy and efficiency; recent studies confirm strong LLM performance on structured judgment tasks.”

4.3 验证结果：ConStory-Checker 大幅超越人类专家

论文构建了一个诊断数据集来验证管道效果：使用 Qwen3-235B-A22B-Thinking 生成 200 个故事，刻意植入 1,000 个一致性错误（每个维度 200 个），然后对比 ConStory-Checker 和人类专家的检测能力。

指标ConStory-Checker人类专家 (Avg)
预测总数622210
True Positive550138.5
Recall0.5500.139
Precision0.8840.660
F10.6780.229

各维度 F1 对比：

  • Character Consistency: 0.742 vs 0.379
  • Factual Accuracy: 0.718 vs 0.124
  • Narrative Coherence: 0.507 vs 0.153
  • Temporal Logic: 0.692 vs 0.281
  • World Consistency: 0.702 vs 0.159

💡 关键发现: ConStory-Checker 在所有五个维度上都远超人类专家，F1 高出 2.96 倍 (0.678 vs 0.229)。这不是因为人类不擅长判断，而是人类在万字长文中容易遗漏错误（Recall 仅 0.139），而自动管道能系统性扫描全文。

五、评估指标设计

5.1 Consistency Error Density (CED)

📜 原文: “Simply counting errors per story unfairly penalizes models that generate longer outputs—a 10K-word story intuitively would have more opportunities for errors than a 2K-word one.”

CEDm,i=em,iwm,i/10000\text{CED}_{m,i} = \frac{e_{m,i}}{w_{m,i} / 10000}

其中 em,ie_{m,i} 是错误数，wm,iw_{m,i} 是字数。模型级 CED 为所有故事的平均值（越低越好）。

设计动机：直接计数不公平，因为 10K 词的故事天然比 2K 词的故事有更多出错机会。CED 通过按每万字归一化解决这一问题。

5.2 Group Relative Rank (GRR)

CED 仍有缺陷：不同 prompt 的固有难度不同。GRR 通过在同一 prompt 组内排名来解决：

Qm,i=wm,i1+em,iQ_{m,i} = \frac{w_{m,i}}{1 + e_{m,i}}

GRRm=1Nm∑i∈Imranki(Qm,i)\text{GRR}_m = \frac{1}{N_m} \sum_{i \in I_m} \text{rank}_i(Q_{m,i})

💡 互补设计巧妙：CED 衡量绝对错误密度，但无法区分”0 错误写了 8000 字”和”0 错误只写了 800 字”；GRR 通过 QQ 分数同时考虑一致性和完整性，提供相对排名。

六、RQ1: 模型一致性表现排名

6.1 主结果表

模型CED ↓GRR ↓Char.Fact.Narr.Time.WorldAvg WordsErrors
GPT-5-Reasoning0.1133.050.0050.0610.0030.0240.00390500.09
Gemini-2.5-Pro0.3057.790.0090.1320.0150.1080.02955840.16
Claude-Sonnet-4.50.5204.900.0170.2240.0040.1280.04389290.37
GLM-4.60.5288.450.0150.1840.0070.1020.05149490.18
Qwen3-32B0.5376.390.0090.1200.0680.1910.04762370.27
Ring-1T0.5398.080.0120.2490.0150.1110.04852640.23
DeepSeek-V3.2-Exp0.54110.890.0110.2010.0120.1290.04437240.15
Grok-40.67013.380.0330.3070.0650.2220.07627650.19
LongWriter-Zero0.6695.450.0270.0970.0540.1780.039133930.53
SuperWriter0.6747.970.0250.2550.0700.2450.03060360.38
MiniMax-M1-80k3.44718.070.1331.0790.0041.0500.37614420.38
DeepSeek-R13.419——————680—

6.2 关键发现

📜 原文: “GPT-5-REASONING achieves the lowest CED (0.113) and best GRR (2.80), followed by GEMINI-2.5-PRO (CED: 0.305) and CLAUDE-SONNET-4.5 (CED: 0.520, GRR: 4.54).”

排名分析：

  1. GPT-5-Reasoning 遥遥领先：CED 仅 0.113，平均每个故事只有 0.09 个错误，且输出长度达 9050 词。注意它同时做到了”写得长”和”错得少”。
  2. 开源模型接近闭源水平：GLM-4.6 (0.528)、Qwen3-32B (0.537) 的 CED 已与 Claude-Sonnet-4.5 (0.520) 非常接近。
  3. Factual & Detail Consistency 和 Timeline & Plot Logic 是主要失败模式：在几乎所有模型中，这两类占据了最大的 CED 份额。
  4. Generation 任务最难：开放式创作（无先验上下文）产生最高 CED，而 Continuation 和 Expansion 因有上下文锚定表现更好。

6.3 任务类型影响

📜 原文: “Generation tasks consistently yield higher CED than Continuation, Expansion, and Completion tasks across most models, suggesting that open-ended creation without prior context poses the greatest consistency challenge.”

模型Overall CEDGenerationContinuationExpansionCompletion
GPT-5-Reasoning0.1130.110.0930.070.188
Claude-Sonnet-4.50.520.670.3870.4980.402
Qwen3-32B0.5370.6940.3810.4250.530
DeepSeek-R13.4193.0073.8293.7373.415

💡 有趣发现: GPT-5-Reasoning 是唯一在 Completion 任务中 CED 最高的模型（0.188），而大多数模型都是 Generation 任务最高。这可能因为 GPT-5 在 Generation 中的推理能力极强，但给定首尾约束时反而容易在中间产生矛盾。

七、RQ2: 错误与输出长度的关系

7.1 长度偏好差异巨大

📜 原文: “Proprietary systems like GPT-5-REASONING and CLAUDE-SONNET-4.5 predominantly produce outputs exceeding 6K words (90.6% and 90.7% respectively), while GROK-4 and GPT-4O-1120 predominantly generate shorter outputs, with the majority concentrated in 0–3K words (70.2% and 100% respectively).”

模型0-1k1k-3k3k-5k5k-8k8k+Avg Words
LongWriter-Zero—————13,393
GPT-5-Reasoning1.2%2.0%2.5%27.8%66.4%9,050
Claude-Sonnet-4.52.7%2.0%2.0%26.6%66.8%8,929
GPT-4o-112011.0%85.0%0%0%0%1,241
DeepSeek-V398.6%1.5%0%0%0%670
DeepSeek-R15.1%94.9%0%0%0%1,391

7.2 错误与长度的线性关系

📜 原文: “Error counts increase approximately linearly with output length across models. CLAUDE-SONNET-4.5 exhibits moderate length-error correlation (r=0.478), while DEEPSEEK-V3.2-EXP shows stronger dependency (r=0.973).”

核心洞察：错误随长度近似线性增长，但不同模型的斜率和相关性差异很大：

  • DeepSeek-V3.2-Exp: r=0.973（强依赖，写得越长错得越多）
  • Claude-Sonnet-4.5: r=0.478（中等依赖，有更好的长距离一致性维持能力）

💡 深层含义: 这个发现暗示当前模型没有真正的”全局一致性维护机制”——错误更像是一个泊松过程，以近似恒定的速率在每个文本段中独立产生。Claude 的较低相关性可能说明其在某些长度区间有更好的一致性检查能力。

八、RQ3: Token 熵与错误的关联

8.1 实验设计

📜 原文: “We examine whether model uncertainty differs between erroneous and correct content. We quantify token-level uncertainty using Shannon entropy.”

选择 Qwen3-4B-Instruct-2507 和 Qwen3-30B-A3B-Instruct-2507 两个开源模型，因为它们：

  • 开源可复现
  • 有足够的错误样本
  • 计算成本可控

对每个位置 tt 的 top-K next-token 分布计算 Shannon 熵：

H(Pt)=−∑i=1Kpilog⁡2piH(P_t) = -\sum_{i=1}^{K} p_i \log_2 p_i

段落级平均熵：Hˉ(S)=1N∑t=1NH(Pt)\bar{H}(S) = \frac{1}{N} \sum_{t=1}^{N} H(P_t)

8.2 关键结果

指标Qwen3-30B-A3BQwen3-4B
全文平均 Entropy1.14381.0734
错误段落平均 Entropy1.28141.2799
错误段 vs 全文差异+12.03%+19.24%
全文平均 Probability0.68950.7097
错误段落平均 Probability0.65220.6530
概率差异-5.41%-7.99%
全文平均 Perplexity1.88751.8566
错误段落平均 Perplexity1.93541.9596
困惑度差异+2.54%+5.55%

📜 原文: “Across both models and all three metrics, error-bearing content exhibits greater uncertainty: entropy increases by +12.03% to +19.24%, probability decreases by -5.41% to -7.99%, and perplexity rises by +2.54% to +5.55% relative to the whole-text baseline.”

💡 核心启示: 错误段落的 token 分布更”弥散”（熵更高、概率更低、困惑度更高）。这意味着模型在产生矛盾内容时，自身其实”不太确定”——这为基于不确定性的一致性错误早期预警信号提供了理论基础。较小的模型（4B）效应更显著（+19.24%），说明较弱模型在不确定时更容易犯错。

九、RQ4: 错误类型共现模式

9.1 全局相关性分析

📜 原文: “Factual & Detail Consistency serves as a central hub, correlating most strongly with Characterization (r=0.304), World-building & Setting (r=0.255), and Timeline & Plot Logic (r=0.176).”

Pearson 相关系数矩阵关键值：

配对Pearson r
Factual ↔ Characterization0.304
Factual ↔ World-building0.255
Factual ↔ Timeline0.176
Narrative & Style ↔ 所有其他≈ 0

9.2 模型特异性相关

  • GPT-5-Reasoning, Gemini-2.5-Pro：稀疏矩阵，跨类别依赖性弱（错误少，不足以形成强相关）
  • Claude-Sonnet-4.5：Fact.–World (r=0.387)、Narr.–Fact. (r=0.429) 较强
  • GLM-4.6, Kimi-K2-2509：最强的 Char.–Fact. 相关（r=0.533 和 r=0.556）

💡 关键洞察: Factual & Detail Consistency 是”错误中心节点”——当模型犯了事实性错误（如角色名字搞混），连带也容易犯角色一致性和世界观错误。而 Narrative & Style 错误完全独立——视角混淆、语调变化是通过与事实/逻辑错误不同的机制产生的。这暗示一致性改进应分两条路径：一条处理事实/逻辑链（覆盖 4 类），另一条专门处理风格一致性。

十、RQ5: 错误在叙事中的位置分布

10.1 位置测量方法

对每个错误实例记录三个归一化位置指标：

  • Fact Position: 事实首次建立的位置（归一化到 0-100%）
  • Contradiction Position: 矛盾出现的位置
  • Gap: 两者之间的距离

10.2 核心发现

📜 原文: “Errors are not uniformly distributed; rather, different error types emerge at characteristic positions along the narrative, with contradiction positions predominantly clustering in the 40–60% range.”

跨模型共性规律：

  • 事实位置 (Fact) 集中在叙事的 15–30%（故事前期建立设定）
  • 矛盾位置 (Contradiction) 集中在 40–60%（叙事中段）
  • 这意味着：模型在故事前 1/3 建立设定，在中段开始”遗忘”

10.3 不同错误类型的 Gap 差异

错误子类型平均 Gap
Geographical Contradictions31.0%
Absolute Time Contradictions29.7%
Core Rules Violations26.6%
Quantitative Mismatches25.0%
Memory Contradictions22.2%
Nomenclature Confusions21.4%
Perspective Confusions4.7%

💡 深层规律：地理和时间矛盾的 Gap 最大（~30%），说明这些是长距离上下文追踪失败；而视角混淆的 Gap 极小（4.7%），说明这是局部生成问题（可能在一两句之内就发生了视角切换）。这直接指向不同的修复策略：地理/时间错误需要全局记忆机制（如 RAG 或实体追踪器），而视角错误可以通过局部一致性检查解决。

10.4 模型特异性位置模式

以 GPT-5-Reasoning 为例：

  • Absolute Time Contradictions：Fact 位置 48.4%，Contradiction 位置 90.6%，Gap 47.7%（全表最大）
  • 说明 GPT-5 虽然错误极少，但一旦犯错，往往是在故事非常后期才矛盾之前很早建立的时间事实

以 DeepSeek-V3.2-Exp 为例：

  • Memory Contradictions：Gap 56.4%（该类别全表最大）
  • 说明 DeepSeek 在角色记忆方面的长距离追踪特别薄弱

十一、核心洞察与启示

11.1 叙事一致性 ≠ 语言流畅性

论文的根本贡献在于将一致性从”流畅度”中分离出来作为独立评估维度。一个模型可以写出极其流畅、优美的散文，但在 8000 字之后把角色的眼睛颜色搞错。ConStory-Bench 首次提供了量化这种”局部流畅、全局矛盾”现象的工具。

11.2 错误不是随机的，而是有规律的

五个 RQ 共同揭示了一致性错误的系统性结构：

  • 类型维度：Factual 和 Timeline 最频繁
  • 空间维度：集中在叙事中段（40-60%）
  • 生成维度：与 token 熵正相关
  • 关联维度：Factual 是错误枢纽，Narrative 独立
  • 长度维度：近似线性增长

这些规律性意味着一致性错误是可预测、可干预的。

11.3 CED + GRR 的互补指标设计值得借鉴

传统评估要么只看绝对数量（不公平），要么只看排名（丢失绝对尺度）。CED 归一化长度偏差，GRR 控制 prompt 难度差异，两者互补提供了更公正的评估框架。这种设计思路可推广到其他长文本评估场景。

11.4 Token 熵作为错误预测信号

错误段落的熵显著高于正常段落（+12% 到 +19%），这意味着模型在生成矛盾内容时自身已经”犹豫”了。这为生成时实时检测提供了可行路径：

  • 监控 token-level entropy
  • 当熵突然升高时触发一致性检查
  • 形成一个自适应的一致性守护机制

11.5 对训练的启示

  1. Factual Tracking 是当前最大瓶颈：在几乎所有模型中 Factual CED 最高，说明 entity tracking 和事实记忆是长文本生成的核心挑战
  2. Reasoning 模型（如 GPT-5-Reasoning）显著领先：可能因为 chain-of-thought 推理帮助维护了更好的全局一致性
  3. Agent 系统（SuperWriter）并未显著改善一致性：CED 0.674，与 LongWriter-Zero (0.669) 接近，说明简单的多步生成管道不足以解决深层一致性问题
  4. 模型规模不总是决定性的：Qwen3-32B (0.537) 优于 Qwen3-235B-A22B (1.447)，Thinking 版本 (0.559) 又优于基础版

11.6 局限性

论文坦诚承认三个局限：

  1. 仅覆盖英语小说：不同文化有不同叙事传统，结果可能不可直接推广
  2. 二元判定：将一致性建模为”一致/矛盾”的二元判断，无法区分有意的叙事技巧（如反转结局、延迟揭示）和真正的错误
  3. 仅限虚构叙事：技术文档、学术写作、剧本等其他长文本体裁各有其独特的一致性要求

附录：关键数据汇总

A. 完整模型排名（按 Overall CED 升序）

闭源模型: GPT-5-Reasoning (0.113) > Gemini-2.5-Pro (0.305) > Claude-Sonnet-4.5 (0.520) > Grok-4 (0.670) > GPT-4o-1120 (0.711) > Doubao-1.6-Thinking (1.217) > Mistral-Medium-3.1 (1.355)

开源模型: GLM-4.6 (0.528) > Qwen3-32B (0.537) > Ring-1T (0.539) > DeepSeek-V3.2-Exp (0.541) > Qwen3-235B-A22B-Thinking (0.559) > GLM-4.5 (0.595) > Ling-1T (0.699) > Step3 (0.845) > Qwen3-Next-80B-Thinking (0.959) > Kimi-K2-2509 (1.300) > Kimi-K2-2507 (1.330) > Qwen3-235B-A22B (1.447) > Qwen3-Next-80B (1.603) > Qwen3-4B (1.685) > Nvidia-Llama-3.1-Ultra (1.833) > Qwen3-30B-A3B (2.130) > DeepSeek-V3 (2.422) > QwenLong-L1-32B (3.413) > DeepSeek-R1 (3.419) > MiniMax-M1-80k (3.447)

能力增强模型: LongWriter-Zero (0.669) > Suri-i-ORPO (2.445) > LongAlign-13B (3.664)

Agent 系统: SuperWriter (0.674) > DOME (1.033)

B. 参考文献