arXiv cs.AI· Yongyi Huang, Huaping Zhang, Wenyao Cui, Qiuchi Li, Lei Li, Baohua Zhang·· 3 天前AI 评分29
ChronoRegime：面向未来时间推理的可预测性建模
Is the Future Predictable? Modeling Future Predictability for Reliable Temporal Reasoning
AI 导读
针对 LLM 在未来时间推理中常忽略未来状态差异、对本质易变的事实仍强行给出确定答案的问题，研究者提出 ChronoRegime 任务与 Confidence-Aware Temporal Reasoning（CTR）框架，从时间动态中估计未来可预测性并据此调节作答承诺。
正文 · AI 翻译
摘要：大型语言模型（LLM）在对未来进行推理时仍然不可靠。现有模型往往忽视未来状态之间的差异，即使所查询的事实本质上具有易变性，也会给出确定的答案。为了刻画这一挑战，我们提出了 ChronoRegime，一个面向未来的时间推理任务，要求模型判断历史时间证据是否足以支持对未来答案的确定承诺。此外，我们提出了置信度感知时间推理（CTR）框架，该框架从时间动态中估计未来的可预测性，并据此调节答案承诺。CTR 并非进行无条件预测，而是仅在重构的证据支持目标未来状态时才做出承诺。在多个 LLM 上，与普通问答基线相比，CTR 将严格总体准确率平均提高了 6.7 个百分点，并将幻觉率平均降低了 18.4 个百分点。这些结果表明，显式的可预测性评估是在未来不确定性下实现更安全、更可靠时间推理的有效机制。
| 评论： | 已被 EMNLP 2026（主会议）接收 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.14073 [cs.CL] |
| （或 arXiv:2610.14073v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14073 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Baohua Zhang [查看邮箱]
[v1]
2026年10月8日星期四 03:46:15 UTC（2,812 KB）
来源：arXiv cs.AI · arxiv.org