paper_type: 方法与系统, Benchmark 与数据集, 实证与评价 type_confidence: 高 reading_depth: 标准精读 title: "Codified Foreshadowing-Payoff Text Generation" authors: Longfei Yun, Kun Zhou, Yupeng Hou, Letian Peng, Jingbo Shang year: 2026 source: arXiv:2601.07033v1, cs.CL preprint, 2026-01-11 pdf: 04_codified_foreshadowing_payoff.pdf code: https://github.com/LongfeiYun17/CFPG tags: [论文精读, 伏笔回收, 叙事承诺, 长程依赖, 符号状态, 故事生成] related: [[17_spoiler_alert]], [[01_lost_in_stories]], [[10_storywriter]], [[15_storyline_trees]], [[03_dome]], [[02_from_personas_to_plot_magnet]]

CFPG：把“以后要回收的伏笔”从模型记忆变成显式叙事债务

一句话答案：CFPG 用 Foreshadow–Trigger–Payoff 三元组维护尚未兑现的叙事承诺，先判断哪些承诺已具备触发条件，再把对应 payoff 作为下一句要求；它在外部已知兑现时机的 Oracle 测试中取得 .965–1.000 的 Should-Payoff Rate，在更接近在线追踪的实验中也优于提示基线，但检测率最高只有 69.8%、小模型低至 10.8%，且 codify、抽取器与 LLM judge 的实现细节缺失，远不是“伏笔一定会被正确兑现”的确定性保证。

核心问题：LLM 忘掉的不是一句话，而是一笔尚未偿还的叙事债

问题诊断。局部续写可以语法正确、接得自然，却忘记早先引入的异常物件、秘密或行动条件。伏笔与回收构成跨越许多句子的因果承诺：读者不只要求后文“相关”，还期待早先未解释的设置在条件成熟时得到具体兑现。（作者主张，§1–2）

CFPG 的关键改写是把这类长程连贯从历史事实记忆中分离出来：世界状态记录“已经发生什么”，commitment pool 记录“已经埋下、未来仍欠什么”。下文先解释 F–T–P 表示与数据怎样构造，再区分理想化 Oracle 和真实一些的 grounded 追踪，最后判断它离开放式长篇创作还有多远。

先给结论

• 系统设计。每个承诺写成 Foreshadow、Trigger、Payoff 三元组；每步从 pool 选择 trigger 已满足的项，将 payoff 作为显式生成要求，再验证已兑现项并抽取新承诺。（论文报告，§3.1–3.2，图 2）
• 数据构造。GPT-4.1 从 BOOKSUM 的层级摘要抽候选，经过符号 gate 和两个 verifier 全部同意后，保留 148 本书中的 629 对 F–P；它是摘要级自动构造数据，不是完整小说语料。（论文报告，§4；附录 A，表 4–5）
• Oracle 结果。外部直接把文本截在 gold payoff 前时，CFPG 的 Should-Payoff Rate 为 .965–1.000，Avg. Score 为 .781–.940；Prompt 只有 Avg. Score .481–.657，未报告 Should-Payoff Rate。（论文报告，§5.1，表 1）
• Grounded 结果。逐句在线判断时，GPT-4.1-mini 的正确检测从 FAP 58.0% 升至 69.8%，但 Qwen-3B/7B 和 Llama-8B 的 CFPG 检测只有 10.8%/19.6%/27.3%。（论文报告，§5.2，表 2）
• 证据边界。论文测的是摘要级显式因果兑现，不测整体文学质量、隐含象征、读者悬念、意外性或长篇开放创作；“significantly”也没有配套统计检验。（阅读者分析）

F–T–P 承诺池怎样工作

三元组。Foreshadow F 是暂未解释或解决的具体设置，即一笔 causal debt；Trigger T 是允许处理这笔债的必要叙事条件；Payoff P 是在 F 已引入、T 已满足后，逻辑上完成承诺的结局事件。池子写成 C={(F_i,T_i,P_i)}，表示所有未完成承诺，不等同于普通历史摘要或世界状态图。（论文报告，§3.1–3.2）

Select。在当前前缀 X_t 上逐项检查 codify(X_t,f)，选出 trigger 已满足的承诺集合 S_t。论文把 eligibility selection 称为 deterministic，意思是流程显式调用判定，而不是让生成模型自行回忆。（论文报告，§3.2，图 2）

Generate。S_t 中的 payoff 被转成明确的叙事要求，与前缀共同条件化生成下一段 y。系统要做的不是任意提及旧元素，而是把当前可兑现承诺导向相应结局。（论文报告，§3.2）

Update。生成后，系统验证 S_t 中哪些 payoff 已在 y 中实现并移出 pool，同时从 y 抽取新的 F–T–P 加入下一时刻的 C。因而 pool 会随故事推进而新增和清偿。（论文报告，§3.2）

论文没有给出 codify、验证器和新承诺抽取器的具体模型、prompt、阈值或误差率。所谓 deterministic 不能外推成端到端保证：触发判错、payoff 没生成、验证漏检和新伏笔抽错仍会发生。（阅读者分析）

629 对伏笔数据是怎样得到的

语料来源。输入是 BOOKSUM 的人工层级摘要，不是完整小说。GPT-4.1 先扫描句子序列，高召回地提出 setup 句与后续 payoff 句；符号化 verification gate 再检查局部窗口中是否有可观察、因果或叙事上的真正兑现，排除主题回响、隐喻和证据不足的联系。（论文报告，§4）

双重验证。两个独立 verifier model 必须在四项上都接受：setup 是未即时解释的具体元素；payoff 提供新的兑现而非复述；两者不同句且有非平凡距离；回看 payoff 后，setup 才能合理被解释为伏笔。最终每条数据含完整摘要、F/P 位置、关系描述和类别。（论文报告，§4）

随机抽查 100 对，由两名标注者判断。Pair Validity 两人分别为 .89/.96，表中 agreement=.87；正文随后写 pair-level agreement 88%，存在 0.87 与 88% 的轻微不一致。Payoff Accuracy 两人都是 1.00，Connection Validity 为 .90/.96、agreement=.88。（论文报告，附录 A，表 4–5）

数据主要是 object/event 类且 symbol 只有 1.7%，这与作者承认难处理抽象和纯象征手法相呼应；高自动 extraction confidence .98 也不能代替人工有效性。（论文报告，附录 A；阅读者分析）

Oracle Timing 测到的是“到点能否兑现”

实验方法。作者在已知 gold payoff 之前截断摘要，把兑现时机外部给定，再让方法生成一句。Avg. Score 由 LLM judge 判断生成句相对 gold 轨迹是 entailment=1、neutral=.5、contradiction=0；Should-Payoff Rate 只对 CFPG 行报告，Prompt 行是 —。（论文报告，§5.1，表 1）

旧笔记把 .569→1.000、.583→1.000 写成 Should-Payoff Rate 提升，实际左边是 Prompt 的 Avg. Score，右边是 CFPG 的另一个指标，不能相减。可比较的是 Avg. Score，例如 GPT-4.1-mini .569→.911；.965–1.000 只说明在 gold 时机已给定时，CFPG 很少不发出“应该兑现”的决策。（阅读者分析）

论文也没有交代 judge 的模型身份、prompt、温度、重复次数、与人工的一致性或置信区间。Oracle 结果适合诊断“要求已经明确时，生成能否沿目标轨迹推进”，不包含“系统能否自己选对兑现时机”。（阅读者分析）

Grounded 追踪才开始接近在线写作

实验方法。系统逐句读入，不能看未来 token，也不能修改过去决定；每步判断当前前缀是否已经满足 trigger。Correct Detection 是在 gold payoff 位置 ±3 句内触发的比例；Early/Late 统计过早或过晚次数；Localization Error 是预测与 gold 的平均句距；Fidelity 检查正确窗口内生成的一句是否沿 gold 叙事轨迹推进。（论文报告，§5.2；附录 B）

CFPG 在四个 backbone 上都提高 Detection 和 Fidelity、减少 Early，但小模型绝对检测率仍很低；Late 在后三个模型上反而增加。最强模型也有约三成 gold payoff 未在 ±3 句内正确触发。因此“伏笔池让兑现不再靠运气”是设计目标，不是 grounded 实验的实际结果。（论文报告，表 2；阅读者分析）

FAP 只用自然语言提醒未解决承诺，没有可执行 trigger 和持久池；Context Refresh / FSCR 依词汇相似度补充早期句子。CFPG 相对它们的优势说明显式承诺状态值得继续研究，但 grounded 任务仍使用摘要和标注 F–T–P，并非系统从开放式长篇中自主发现、安排和回收全部伏笔。（论文报告，§5.2）

所谓“机制证据”应怎样降调

Figure 4 显示 CFPG 在生成 payoff 时对 distant setup tokens 的注意力更集中；Figure 5 在 Qwen2.5-7B 的 gold 点展示约 +.22 decision jump。它们是作者提供的相关性诊断，没有具体跨样本均值、层/头选择说明、置信区间或干预实验，不能证明注意力变化导致性能提升。（论文报告，§5.3，图 4–5；阅读者分析）

错误分类中 Premature 从 194 降到 134，约少 31%；Confusion 34→26、Indirect Failure 7→3，但 Deferred NYO 9→10。论文也没有分别移除 trigger、pool、update 或 verifier 的标准消融，因此无法独立判断是哪一模块造成改善。（论文报告，§5.3，表 3；阅读者分析）

哪些结论还不能从实验推出

论文报告的限制。方法限于显式、可在文本中落地的 F–P，不处理高度抽象或纯象征手法；数据是 summary-level，缺少完整文本中的文体和篇章现象；自动抽取 F–T–P 的错误会限制覆盖。（论文报告，Limitations）

评估不足。论文未报告实验划分、实例数、随机种子、解码参数、费用、运行时间、置信区间或统计检验；摘要和正文使用“significantly”，却没有 p 值。grounded Fidelity 的 trajectory evaluator 也没有身份、prompt、阈值或人工一致性。（阅读者分析）

文学目标缺失。实验只检查明确承诺是否按 gold 轨迹兑现，不评价整体故事质量、悬念、惊讶、留白、读者体验或是否值得兑现。强制回收可能减少遗忘，也可能制造机械的“每枪必响”；故意不兑现、误导性伏笔和多义象征都在当前表示之外。（阅读者分析）

原文定位（附录）

• 问题与 CFPG 概览：Abstract、§1，图 1–2，PDF pp.1–2。
• F–T–P、pool 与 Select→Generate→Update：§3，PDF pp.3–4。
• BOOKSUM 数据构造：§4，PDF pp.4–5；附录 A，PDF p.12。
• Oracle Timing：§5.1，表 1，PDF p.5。
• Grounded incremental tracking：§5.2，表 2，PDF pp.6–7；指标定义见附录 B，PDF p.13。
• 注意力、决策曲线和错误分类：§5.3，图 4–6、表 3，PDF pp.6–8。
• 局限：PDF p.9。

读完后的判断

CFPG 最重要的设计洞见是把“未来仍需发生的事”建成一等状态。事实图回答已经发生什么，commitment pool 回答故事还欠什么；两者结合，比把全部历史塞回 prompt 更适合管理长程叙事。对写作工具，F–T–P 最适合作为作者可见、可改、可取消的承诺登记表，而不是不可违背的自动规则。

实验对受控摘要级伏笔回收给出了积极信号，但 Oracle 的近满分不能代表自主写作，grounded 的绝对检测率也显示触发判断仍是瓶颈。下一轮应公开 codify 和 judge，加入人工标注的完整故事、隐含与误导性伏笔、显式模块消融及盲法读者评价，并允许作者把某个承诺标为延迟、转化或有意不兑现。