(wersja stabilna) (model zwraca tekst po polsku) (testowane na lokalnych modelach multimodalnych: qwen3-vl-8b-instruct Q6_K, nsfwvision-qwen3-vl-8b oraz gemma4 E4B Instruct Q6_K, modele no thinking)

StoryChain Lab to eksperymentalne środowisko do budowania narracji krok po kroku przy użyciu lokalnych multimodalnych modeli językowych. To laboratorium narracyjne.

Program nie działa jak generator książek. Zamiast tego prowadzi model przez serię etapów:

• analiza obrazu,

• interpretacja klimatu i świata,

• budowa postaci,

• tworzenie konfliktu,

• szkic fabularny,

• końcowa historia.

Każdy etap staje się kontekstem dla następnego. Dzięki temu użytkownik może obserwować, jak model rozwija narrację warstwa po warstwie zamiast generować wszystko jednorazowo.

Możliwości:

• analiza obrazu przy pomocy modeli multimodalnych,

• budowa kontekstu fabularnego etapami,

• zachowuje ciągłość między kolejnymi krokami,

• generuje szkice świata, postaci i konfliktów,

• tworzy eksperymentalne historie na bazie jednego obrazu,

• pozwala użytkownikowi ręcznie poprawiać każdy etap,

• działa całkowicie lokalnie przez LM Studio.

Najważniejszy element projektu to możliwość obserwowania procesu „myślenia narracyjnego” modelu w wielu krokach.

W praktyce oznacza to, że użytkownik może zobaczyć:

• jak model interpretuje obraz,

• jak rozwija motywy,

• jak buduje zależności między elementami świata,

• gdzie zachowuje spójność,

• oraz gdzie zaczyna się gubić.

To nie jest:

• profesjonalny silnik do pisania powieści,

• stabilny system pamięci długoterminowej,

• AI rozumiejące fabułę jak człowiek,

• generator perfekcyjnych historii,

• system gwarantujący logiczną spójność.

Modele lokalne nadal mają ograniczoną pamięć kontekstową i ograniczone rozumienie narracji.

ograniczenia:

• narzędzie zostało opracowane tak aby modele multimodalne generowały tekst po polsku co jest plusem i zarazem minusem, ponieważ tego typu modele znacznie lepiej radzą sobie z narracją po angielsku,

• po angielsku modele zwykle piszą płynniej, lepiej budują styl, tworzą bardziej naturalne dialogi, lepiej utrzymują klimat i rytm narracji. W języku polskim ograniczenia są znacznie bardziej widoczne.

• model gemma4 E4B Instruct Q6_K, szybki, dobrze nadaje się do eksperymentów, stabilnie przechodzi przez pipeline etapów. w języku polskim narracja jest często surowa, styl bywa sztywny, tekst może być minimalistyczny, dialogi bywają mechaniczne, opis świata jest uproszczony. Gemma dobrze pokazuje strukturę procesu, ale nie zawsze oferuje „literacką” jakość.

• modele z rodziny qwen, lepszy styl narracyjny, bardziej naturalne opisy, ciekawsze dialogi, większa kreatywność. W języku polskim wykazują większą tendencje do halucynacji oraz potrafi zapętlić się.

To narzędzie diagnostyczne. Najciekawsze w tym projekcie nie jest to, że model napisze idealną historię. Najciekawsze jest to, że mimo wielu ograniczeń potrafi utrzymać zaskakująco dużo spójności między kolejnymi etapami generacji.

Jak to:

• pobierz .zip, rozpakuj go,

• musisz posiadać zainstalowane LM Studio, model lokalny multimodalny oraz poprawnie zainstalowany Python,

• załaduj model multimodlany w LM Studio,

• następnie uruchom server lokalny w LM Studio. Kliknij na ikonkę [developer], następnie server start,

• teraz kliknij install.bat celem zainstalowania potrzebnych requirements,

• teraz kliknij start. bat,

• pojawi się proste GUI w którym załadujesz obraz testowy,

• następnie przejdź przez każdy etap analizy i generowania tekstu od stage 1 do stage 6. Poczekaj, aż model zakończy analizę danego etapu i dopiero przejdź do kolejnego.

• przycisk [zapisz] pozawala na zapisanie wygenerowanego tesku.

Jeżeli chcesz mieć ciekawszą, rozbudowaną fabułę użyj wersji [eng] plus translacja.

BARDZO ISTOTE: podczas generowania tekstu nie klikaj w poprzednie etapy. W momencie, w którym zaobserwujesz, że model lokalny z rodziny Qwen zapętlił się (najczęściej zdarza się to w Stage 6) po prostu zapisz tekst i wyjdź ze środowiska. Możesz edytować tekst ale rób to na etapie podsumowań, ewentualnie wprowadzaj małe poprawki do fabuły.