大语言模型能否可靠地完成叙事填空？评估研究

研究构建约9.2K实例的多领域叙事填空基准，覆盖百科、常识故事、新闻和视觉叙事四类文本，掩码1-3句话。评估20个1.5B-70B指令微调开源模型，Gemma-2-2B qualitative得分4.02/5，超越DeepSeek-Qwen-32B（3.77/5）和LLaMA-3.3-70B（3.71/5）。显式思维链推理仅提升+0.6%，叙事长度与领域比填空位置更能预测难度。