Codified Foreshadowing-Payoff Text Generation

• arXiv: 2601.07033（2026-01）
• 作者: Longfei Yun, Kun Zhou, Yupeng Hou, Letian Peng, Jingbo Shang
• 类型: 叙事结构方法（生成侧约束）
• 一句话: 把"伏笔（foreshadowing）—回收（payoff）"这一叙事技巧编码化为可执行的结构约束，让模型在生成时显式地"先埋、后收"，从而增强戏剧张力与长程一致。

说明：本篇为 PDF，部分正文细节在抓取时未完全解析，以下为核心要点，标注了确定/不确定处；建议后续做完整精读补充数值。

1. 要解决的问题

优秀故事需要刻意的"设置—回收"结构：早期埋下的线索，在后期得到有意义的呼应。 传统叙事生成把文本当线性序列处理，难以建立"前面的铺垫"和"后面的兑现"之间的时间跨度上的语义关联，导致伏笔失效、戏剧弧薄弱。

2. 核心思路：把伏笔"编码化"

• 论文提出一个框架，在生成过程中显式建模 foreshadowing→payoff 的关系。
• "编码化（codify）" 指：用一种结构化的形式明确规定"何时埋伏笔、这个伏笔应在何处/如何被回收"，形成一份可被生成模型遵循的形式化规范。
• 生成时模型需尊重这些结构约束，而不是把叙事当作无结构的顺序文本。

3. 数据与实验

• 抓取版本未能解出具体数据集/数值（正文在压缩流中）。据其研究脉络，应基于既有故事生成数据集/基准，并沿用相关工作的评测设置。
• 待补：具体 benchmark、baseline、评估指标与数值。

4. 主要结论

• 通过强制显式的"伏笔—回收"结构，生成故事的叙事连贯性提升，戏剧弧更强、情节推进更令人满意。

5. 为什么值得关注（角度新颖性）

• 大多数长篇方法关注大纲/记忆/一致性（防止"写崩"），而本文关注主动制造好的叙事技巧（让故事"更好看"）。
• 把一个偏"文学感"的技巧转成可计算、可约束的形式，是叙事学知识显式编码进生成的又一例子（对照 [[03_dome]] 用 Campbell 五段式做大纲）。

6. 对做产品 / 工程的启发

• 可把"伏笔登记表"作为一种结构化状态维护：记录"已埋未收"的线索，在后续章节提醒模型回收——工程上类似一个 TODO/债务队列。
• 与世界状态图（见 [[02_from_personas_to_plot_magnet]]）互补：一个管"事实一致"，一个管"叙事张力"。

关联

• 与 Spoiler Alert（叙事张力度量, 2604.09854） 是天然搭配：一个"制造"张力，一个"度量"张力。
• 与 [[03_dome]] 同属"叙事学知识显式编码"路线。

TODO（后续精读补全）

• [ ] 解析 PDF 正文，补齐：方法形式化定义、数据集、baseline、评测指标与具体数值。
• [ ] 与 Spoiler Alert 对照阅读，看能否形成"伏笔生成 + 张力评估"闭环。