有声小说生成：把交互反馈、Qwen 语音、图像与动态视频合成一个闭环 demo。

No-Train Test-Time Scaling

不训：冻结 UserSim、RubricJudge、Frozen Generator 和 Qwen TTS，只在测试时扩展候选 Adaptation Brief + chapter plan + voice/image/video directives，用 Simulator / Judge 打分并选择 best-of-B。

Train-Time Personalization

训的范式：这部分目前是设计方案而不是已完成训练。计划用 500 planner JSON 做 Planner SFT；用 candidate preference 做 DPO/GRPO；User Simulator 500 JSON 先 SFT，再冻结用于 Controller/Planner 训练。真实训练后同样支持 B=1..32 的 test-time scaling，并把 checkpoint、loss、rollout seed 和 eval logs 一起发布。延续 v7 命名：Qwen3-4B-UserSim 负责模拟统一交互反馈，Qwen3-4B-Controller / Personalized Planner 负责输出 Adaptation Brief，Frozen Generator 仍保持冻结以隔离 Planner 质量。

Candidate generation

对同一批交互事件采样 B 个候选：不同的节奏解释、线索提前程度、声音停顿策略、图片顺序描述和 negative constraints。B 从 1 到 32。每个候选都生成同样格式的 brief，因此不会因为接口差异破坏公平性。

candidate_b = {
  adaptation_brief,
  chapter_plan,
  audio_directives,
  image_prompts[3],
  video_timeline,
  risk_and_scope
}

Frozen scoring

Frozen UserSim + RubricJudge + FeedbackAggregator 对候选评分。Rubric 在看到候选输出之前由 previous_generation、feedback events、next task 和 story state 生成；Judge 再比较前后 generation/audio/image 的 delta，避免 post-hoc 偏置。

selected = argmax_b ScoreAggregator(candidate_b; frozen UserSim, canonical rubric, fixed seed)

Baselines

• No personalization：固定章节和固定声音。
• Static profile：只用 cold-start 画像，不读新交互。
• Raw history prompting：把所有播放器事件拼进 prompt。
• No-Train Test-Time Scaling：best-of-B Adaptation Brief。
• Planner SFT：用 500 planner JSON 学适配简报。
• Planner SFT + DPO/GRPO：用 frozen Simulator / Judge rollout 优化。

Reported columns

• Audio Engagement Return、TTS-NCFU、Planner Utility@B。
• Interaction Incorporation Score、Overcommit Rate、Anti-probe Harm。
• Voice-Preference Match、Scene-Image Alignment、Video Completion Rate。
• Latency、candidate cost、Qwen TTS generation seconds、image prompt cost。