微短劇需要密集轉折，但劇集一長，AI 生成的情節容易逐漸集中在少數套路，例如角色關係反覆靠誤會與澄清推進。DraMaze 是面向長篇劇本生成的多代理人流程，嘗試同時維持故事連貫與情節變化。
常見做法會用歷史摘要、記憶檢索或知識圖譜提供前文脈絡；但檢索到相似經歷，也可能令模型重複舊有因果模式。DraMaze 改用「未來敘事依賴樹」整理往事，按後續劇情目標保留和檢索相關記憶，並透過套路記憶引導的演化樹搜尋與變異，探索不同的因果發展。
研究團隊亦推出雙語評測基準 MiDramaBench，評估不同長度劇本的邏輯與創意，並加入衡量因果模式重複和多樣性的指標。測試涵蓋三個基礎大型語言模型；生成最多 60 集、約 6 萬字劇本時，因果模式重複減少 32.1%，邏輯評分達 82.5 分，較最佳基線高 8.5 分。
- 面向數十集的長篇微短劇生成，兼顧前後連貫與劇情變化。
- 依照未來情節需要整理記憶，不只按語意相似度檢索舊內容。
- 以演化樹搜尋和變異探索不同的劇情因果路徑。
- MiDramaBench 提供雙語評測，涵蓋邏輯、創意及因果模式多樣性。
對需要批量構思長篇微短劇的編劇與內容團隊，DraMaze 提供一套可評估的生成流程；不過，摘要所列結果集中於特定劇本長度與評測指標，不能單憑這些數字判斷所有題材和創作場景的表現。