外部文本能够提供数值历史中缺失的预测信息，但其价值取决于表示方式、组合方式以及部署方式。我们提出 归因引导的语义演化（ASE），一个模块化框架，用于构建文本因子、评估其条件贡献并部署经验证选择的数值‑文本混合预测器。\ \ ASE 通过任务特定实现支持三类文本因子：词汇度量、语义原语以及演化的事件/状态因子，并将其与合适的数值专家模型耦合。框架的反馈式实现利用条件再拟合诊断来指导因子修订和组合搜索，从而在每一步动态调整文本因子的权重和形式。\ \ 我们在四个与文本关联的 TESS 数据集以及动态 CSI 300 股票排序任务上评估 ASE。四个实现的测试均方误差分别为 0.001041、0.022439、0.333115 和 1.8150，均低于对应的公开 TESS 基准分数。对 CSI 300，冻结的文本融合实现使平均 RankIC 提升 0.000642（相较于仅数值专家）和 0.000701（相较于匹配的随机置换文本），且在所有五个随机种子上均为正向提升。\ \ 通过受控的文本扰动实验验证了模型对文本对应性的功能依赖，而保留已有因子（incumbent retention）机制则防止了在测度发展准则上的回退。整体实验从两个层面刻画了 ASE：一是任务特定实现的预测性能，二是各模块的条件贡献。\ \ 点评