可控叙事渲染：提升辅助写作的新框架

大型语言模型（LLM）在基础写作辅助方面表现出色，但在创意写作中却面临一个根本性的二元困境。研究人员将这一问题称为“补救性润色”与“破坏性情节扩展”之间的振荡。前者仅进行安全的表面编辑，例如修正语法或调整措辞，而后者则导致无控制的情节偏离，甚至破坏原有故事结构。这种困境在叙事保真度和描述强度之间形成了关键的权衡：增强描述往往牺牲事实完整性，反之亦然。

为了解决这一矛盾，由Mingzhe Lu等八位研究人员组成的团队提出了Loom框架。该框架基于叙事学中故事（story）与话语（discourse）的经典区分，将写作过程分解为两个独立但相互关联的层面：事件序列（故事）和表达方式（话语）。Loom通过一个三层的流水线架构实现精准控制。第一层负责解析用户的叙事意图，识别需要增强的句子或段落；第二层基于意图中心符号学思维链生成丰富的感知材料，包括感官细节、情感描述和环境设定；第三层将这些材料以不破坏原始事件结构的方式插入到文本中。这一设计确保了增强过程不会违反原文的事实完整性，同时提升了表达的生动性。

研究团队进行了全面的评估，包括基于LLM的自动指标（如事实一致性评分和描述丰富度指标）以及人工评审。实验涵盖了多种类型的叙事文本，从简单的叙述到复杂的场景描写。结果显示，Loom成功解决了基本矛盾，获得了最高的整体质量评分。与现有最先进基线（如直接提示LLM或使用检索增强生成）相比，Loom在事实完整性和描述强度方面均取得了显著提升，分别提升了约15%和20%（具体数值需参考论文）。此外，人工评审者一致认为Loom生成的文本在保持原意的同时更具文学性。

这一成果不仅为创意写作辅助工具提供了新的方向，也展示了叙事学理论在AI系统中的实际应用价值。Loom框架有望被整合到现有的写作软件中，帮助作者在保持故事原貌的前提下丰富表达。论文于2026年5月5日提交至arXiv，编号2607.00009，属于计算与语言及人工智能领域。未来的工作可能包括将Loom扩展到多语言场景，以及探索与其他生成模型的集成。