TIME: Temporally Intelligent Meta-reasoning Engine for Context-Triggered Explicit Reasoning

Bloques:** Opcionales, ráfagas breves de razonamiento que pueden aparecer en cualquier parte de una respuesta (inicio, medio o final), permitiendo reactivar el razonamiento dentro de un solo turno. 3. Eventos Tick: Turnos del usuario que contienen solo una marca de tiempo, representando el paso silencioso del tiempo sin nuevo texto.

Currículo de Entrenamiento

El marco alinea los modelos densos Qwen3 (4B, 8B, 14B y 32B parámetros) utilizando un currículo de ajuste fino supervisado (SFT) de cuatro fases:

• Fase 1 (Sembrado Estructural): Introduce primitivas y formatos de salida utilizando datos sintéticos de un solo turno para enseñar un razonamiento compacto y bien delimitado.
• Fase 2 (Exposición Temporal): Utiliza diálogos de dos turnos con brechas de tiempo y eventos tick para enseñar al modelo a condicionarse sobre metadatos temporales, revisar suposiciones tras el silencio y suprimir la verbosidad cuando sea innecesaria.
• Fase 3 (Modulación Contextual): Se extiende a configuraciones de múltiples turnos, entrenando al modelo para suprimir o reactivar bloques de razonamiento bajo contextos cambiantes y mayor frecuencia de ticks.
• Fase 4 (Convergencia Alineada al Gradiente): Un paso decisivo de alineación utilizando un lote completo pequeño (128 muestras), máximamente diverso. Este conjunto aísla la invariante objetivo: ráfagas de razonamiento activadas solo por señales temporales o discursivas. Esta fase utiliza actualizaciones deterministas de lote completo para concentrar los gradientes en la política mientras se evita la varianza de muestreo.

Evaluación: TIMEBench

Los autores introducen TIMEBench, un punto de referencia diagnóstico que consta de 77 escenarios en siete categorías. A diferencia de los puntos de referencia centrados en el recuerdo de hechos temporales, TIMEBench prueba el razonamiento bajo discontinuidad temporal, anomalía y reanclaje contextual. Las categorías incluyen:

• Retrospección Cronológica
• Detección de Tiempo Inválido
• Adaptabilidad Temporal (ej. acercamiento a plazos)
• Conciencia Contextual Temporal (ej. vacaciones, contextos de madrugada)
• Detección de Anomalías en el Flujo Temporal (ej. saltos de tiempo imposibles)
• Conciencia de Brechas de Tiempo
• Sensibilidad a Zonas Horarias

La evaluación utiliza un LLM como Juez (ciego a los prompts y marcas de tiempo) con puntuación binaria e intervalos de confianza bootstrap.

Resultados Clave

En todas las escalas de modelos (de 4B a 32B), los modelos TIME superan significativamente a los modelos base Qwen3 tanto en los modos "sin pensamiento" como "con pensamiento" en TIMEBench:

• Ganancias de Rendimiento: TIME-32B logró una puntuación de 64.81, en comparación con 37.40 para el Qwen3-32B base en modo con pensamiento y 31.82 en modo sin pensamiento. Se observaron mejoras similares en los modelos de 4B, 8B y 14B.
• Significancia Estadística: Las mejoras fueron estadísticamente significativas ($p < 0.001$) en todas las escalas mediante pruebas de rangos con signo de Wilcoxon.
• Eficiencia y Estructura:
  • Reducción de Tokens: Los modelos TIME redujeron los tokens de razonamiento explícito en aproximadamente un orden de magnitud (ej. ~84 tokens de razonamiento por ejecución para TIME-32B frente a ~911 para el modo con pensamiento base).
  • Cambio de Ubicación: La ubicación del razonamiento cambió de estar cargada al inicio (100% al inicio para los modelos base) a predominar en medio del turno (75.6% para TIME-32B).
  • Degeneración: Los modelos TIME mostraron tasas significativamente menores de degeneración de salida (ej. 3.64% para TIME-32B frente a 18.18% para el modo con pensamiento base).

Significancia y Afirmaciones

El artículo afirma que TIME demuestra que el razonamiento explícito puede alinearse como una política selectiva activada por el contexto en lugar de un estilo de decodificación fijo. La significancia del trabajo radica en:

1. Cambio Conductual: Pasar de un razonamiento "siempre activo" o "nunca activo" a una política donde el razonamiento se despliega selectivamente en respuesta a cambios de estado latente señalados por señales temporales.
2. Mejora de la Auditabilidad: Al utilizar ráfagas de razonamiento cortas y localizadas, la relación entre afirmaciones específicas y sus justificaciones se vuelve más directa.
3. Cognición Temporal: El marco muestra que los modelos pueden aprender a utilizar la temporalidad no solo como contenido a recordar, sino como una sonda estructurada para cambios de contexto latente (ej. suposiciones obsoletas, urgencia) que requieren reanclaje.

Limitaciones y Alcance

Los autores señalan explícitamente las siguientes limitaciones:

• Alcance del Modelo: Los experimentos se limitan a razonadores híbridos densos de la familia Qwen3; no se afirma la generalización a modelos de instrucción puros o arquitecturas de mezcla de expertos.
• Alcance del Punto de Referencia: TIMEBench es una herramienta diagnóstica preliminar con 77 escenarios; no evalúa el rendimiento en puntos de referencia más amplios basados en tareas como matemáticas generales o programación.
• Método de Evaluación: Las puntuaciones dependen de un LLM como Juez en lugar de anotación humana, introduciendo posible ruido del evaluador.
• Interpretabilidad Mecanística: El trabajo aborda cuándo y cómo se manifiesta el razonamiento, pero no proporciona interpretabilidad mecanística de los estados subyacentes del modelo.
• Idioma: Los experimentos se realizan únicamente en inglés.

El artículo concluye que TIME y TIMEBench proporcionan una base para enseñar a los modelos a desplegar razonamiento explícito de manera selectiva, aunque la transferencia más amplia y una evaluación más robusta siguen siendo áreas abiertas para trabajo futuro.