🤖 AI

The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations

यह शोध पत्र प्रकट करता है कि लार्ज लैंग्वेज मॉडल्स में टेम्पोरल नॉलेज ड्रिफ्ट (सामयिक ज्ञान विचलन) रेसिडुअल स्ट्रीम में एक ज्यामितीय रूप से ऑर्थोगोनल दिशा के रूप में एनकोड होता है, जो मौजूदा अनिश्चितता-आधारित पहचान विधियों को अप्रभावी बनाता है और यह भी दर्शाता है कि एक सरल लीनियर प्रोब मॉडल की आंतरिक ज्ञान अवस्था तक सीधे पहुँचकर पुराने हो चुके सूचनाओं की विश्वसनीय रूप से पहचान कर सकता है।

मूल लेखक: Rania Elbadry, Ahmed Heakl, Fan Zhang, Dani Bouch, Yuxia Wang, Preslav Nakov, Zhuohan Xie

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rania Elbadry, Ahmed Heakl, Fan Zhang, Dani Bouch, Yuxia Wang, Preslav Nakov, Zhuohan Xie

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

द ज्योमेट्री ऑफ फॉरगेटिंग (विस्मृति की ज्यामिति) का स्पष्टीकरण

बड़ी समस्या: आत्मविश्वास से भरा पुराना AI

कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान, विद्वान लाइब्रेरियन (एक AI) से 2025 में किसी देश के वर्तमान राष्ट्रपति के बारे में सवाल पूछते हैं। यदि उस लाइब्रेरियन को 2022 में प्रकाशित किताबों पर प्रशिक्षित किया गया था, तो वह आपको उस व्यक्ति का नाम बता सकता है जिसने 2022 में वह पद संभाला था।

डरावनी बात क्या है? लाइब्रेरियन इस पुराने तथ्य के बारे में भी उतनी ही स्पष्टता, प्रवाह और आत्मविश्वास के साथ बोलेगा जितना कि वह किसी नए तथ्य के बारे में बोलता है। "हैलुसिनेशन" (झूठ या मनगढ़ंत उत्तर) का पता लगाने के लिए उपयोग किए जाने वाले वर्तमान उपकरण भ्रम के संकेतों, जैसे कि हकलाना या कम आत्मविश्वास को खोजते हैं। लेकिन चूंकि लाइब्रेरियन आत्मविश्वास के साथ गलत है, इसलिए ये उपकरण गलती पकड़ने में विफल रहते हैं। वे सोचते हैं, "ओह, वे इतने सुनिश्चित लग रहे हैं, तो वे सही ही होंगे।"

खोज: एक छिपा हुआ "टाइम स्विच" (समय का स्विच)

इस शोध पत्र के शोधकर्ताओं ने पाया कि यह कोई बग नहीं है; बल्कि यह एक संरचनात्मक विशेषता है कि ये AI मस्तिष्क कैसे काम करते हैं।

AI के आंतरिक मस्तिष्क की कल्पना एक विशाल, बहु-आयामी (multi-dimensional) कमरे के रूप में करें।

एक्सिस A (सत्यता/Correctness): कमरे की एक दिशा AI को बताती है, "क्या यह उत्तर सत्य है या असत्य?"
एक्सिस B (आत्मविश्वास/Confidence): दूसरी दिशा AI को बताती है, "मैं कितना निश्चित हूँ?"
एक्सिस C (समय विचलन/Time Drift): शोधकर्ताओं ने एक तीसरी, छिपी हुई दिशा खोजी जो पहली दो दिशाओं से पूरी तरह अलग है। यह एक्सिस केवल एक विशिष्ट चीज़ को ट्रैक करती है: "क्या मेरे प्रशिक्षण के बाद से वास्तविक दुनिया बदल गई है?"

मुख्य निष्कर्ष यह है कि यह "टाइम ड्रिफ्ट" एक्सिस "सत्यता" और "आत्मविश्वास" के एक्सिस से ज्यामितीय रूप से ऑर्थोगोनल (geometrically orthogonal) (एक पूर्ण 90-डिग्री के कोण पर) है।

उपमा: कल्पना कीजिए कि आप एक रूलर (पैमाने) का उपयोग करके कमरे के तापमान को मापने की कोशिश कर रहे हैं। आप रूलर में कितनी भी मेहनत से क्यों न देख लें, आपको तापमान कभी नहीं मिलेगा क्योंकि तापमान एक पूरी तरह से अलग आयाम (dimension) में मौजूद है। इसी तरह, क्योंकि "टाइम ड्रिफ्ट" आत्मविश्वास या सत्यता के आयाम से अलग एक अलग आयाम पर मौजूद है, इसलिए कोई भी उपकरण जो केवल आत्मविश्वास या सत्यता की जांच करता है, वह इस तथ्य के प्रति अंधा है कि AI का ज्ञान पुराना हो चुका है।

प्रयोग: "टाइम ड्रिफ्ट" को पकड़ना

शोधकर्ताओं ने एक नया टूल (एक "लीनियर प्रोब") बनाया जो विशेष रूप से उस छिपे हुए "टाइम ड्रिफ्ट" एक्सिस को खोजने के लिए डिज़ाइन किया गया था।

डेटासेट: उन्होंने उन तथ्यों के बारे में एक विशाल परीक्षण बनाया जो समय के साथ बदलते रहते हैं (जैसे कि कौन किसी स्पोर्ट्स टीम को कोच करता है या कौन सरकार का नेतृत्व करता है)। उन्हें ठीक से पता था कि "वास्तविक दुनिया" का उत्तर कब बदला।
परिणाम:
- पुराने उपकरण: जब उन्होंने मौजूदा तरीकों (भ्रम या कम आत्मविश्वास की जांच करना) का उपयोग किया, तो उन उपकरणों का प्रदर्शन सिक्का उछालने (लगभग 50% सटीकता) से बेहतर नहीं था। वे एक आत्मविश्वासी झूठ और एक आत्मविश्वासी पुराने तथ्य के बीच अंतर नहीं कर सके।
- नया टूल: उनका नया "टाइम ड्रिफ्ट" डिटेक्टर शानदार रहा, जिसने 83% से 95% सटीकता हासिल की। यह सटीक रूप से पहचान सका कि AI कब पुरानी खबरें सुना रहा था।

पुराने तरीके क्यों विफल होते हैं: "रिट्रीवल सर्किट"

यह पेपर यह समझाने के लिए गहराई में जाता है कि AI ऐसा व्यवहार क्यों करता है। उन्होंने AI की आंतरिक मशीनरी (MLP रिट्रीवल सर्किट) को देखा।

उन्होंने पाया कि जब AI एक पुराने तथ्य को पुनः प्राप्त करता है (स्टेल रिकॉल/Stale Recall) और जब वह एक फर्जी तथ्य मनगढ़ंत बनाता है (कॉन्फैबुलेशन/Confabulation), तो उनके आंतरिक विद्युत संकेत (electrical signals) लगभग एक जैसे दिखते हैं।

उपमा: कल्पना कीजिए कि दो अलग-अलग ड्राइवर किराने की दुकान तक जाने के लिए बिल्कुल एक ही रास्ते पर जा रहे हैं। एक वास्तव में दुकान पर मौजूद दुकान पर जा रहा है (सही)। दूसरा एक ऐसी कार चला रहा है जो 2022 के ट्रैफिक जाम में फंसी हुई है (पुराना/Stale)। एक पर्यवेक्षक जो GPS संकेतों को देख रहा है, उसे लगेगा कि दोनों कारें बिल्कुल एक जैसा काम कर रही हैं। AI का आंतरिक "इंजन" अंतर नहीं जानता कि "मैंने एक पुराना तथ्य पाया" और "मैंने यह मनगढ़ंत बनाया" के बीच क्या अंतर है। वह बस एक ही सिग्नल भेजता है।

"क्रॉस-कटऑफ" प्रमाण

यह साबित करने के लिए कि AI वास्तव में अपने प्रशिक्षण की तारीख को "याद" कर रहा है (न कि केवल प्रश्न के शब्दों पर प्रतिक्रिया दे रहा है), शोधकर्ताओं ने एक चतुर परीक्षण किया:

उन्होंने बिल्कुल एक ही प्रश्न (बाइट-दर-बाइट समान) को दो अलग-अलग AI को दिया।
AI A को 2022 में प्रशिक्षित किया गया था।
AI B को 2024 में प्रशिक्षित किया गया था।
उन्होंने एक ऐसी घटना के बारे में पूछा जो 2023 में बदली थी।

परिणाम: 2022 वाले AI का "टाइम ड्रिफ्ट" डिटेक्टर बज उठा (चिल्लाकर कह रहा था "यह पुराना है!"), जबकि 2024 वाले AI का डिटेक्टर शांत रहा (कह रहा था "यह वर्तमान है!")। चूंकि प्रश्न बिल्कुल समान था, केवल AI की आंतरिक मेमोरी ही बदली थी। इसने साबित कर दिया कि डिटेक्टर AI की आंतरिक "ज्ञान अवस्था" (knowledge state) को पढ़ रहा है, न कि प्रश्न को।

निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि टेम्पोरल ड्रिफ्ट (समय विचलन) लार्ज लैंग्वेज मॉडल्स के भीतर एक विशिष्ट, छिपा हुआ आयाम है।

क्योंकि यह आत्मविश्वास के आयाम से अलग एक छिपे हुए एक्सिस पर है, हम केवल यह देखकर कि AI कितना सुनिश्चित लग रहा है, पुराने उत्तरों का पता नहीं लगा सकते।
इसे ठीक करने के लिए, हमें ऐसे नए उपकरणों की आवश्यकता है जो विशेष रूप से इस "टाइम ड्रिफ्ट" एक्सिस को देखते हैं, बजाय इसके कि हम केवल समस्या को ठीक करने के लिए AI को अधिक "अनिश्चित" बनाने की कोशिश करें।

संक्षेप में: AI भ्रमित नहीं है; यह बस अतीत में अटका हुआ है, और यह उस तथ्य को अपने मस्तिष्क के एक ऐसे हिस्से में छिपा रहा है जिसे हमारे वर्तमान उपकरण देख नहीं सकते।

तकनीकी सारांश: विस्मृति की ज्यामिति (The Geometry of Forgetting)

समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल्स (LLMs) अक्सर सही उत्तरों जैसी ही प्रवाह और आत्मविश्वास के साथ पुराने (outdated) उत्तर उत्पन्न करते हैं। जब मॉडल से उन तथ्यों के बारे में पूछा जाता है जो उनके प्रशिक्षण कटऑफ (training cutoff) के बाद बदल गए हैं (जैसे, वर्तमान सरकारी नेता या खेल कोच), तो मॉडल एक पुराना तथ्य प्राप्त कर सकते हैं, पूर्व-प्रशिक्षण धारक का नाम ले सकते हैं, या एक नया तथ्य गढ़ (fabricate) सकते हैं। मौजूदा डिटेक्शन विधियाँ, जो आउटपुट-स्तर के सांख्यिकी (जैसे, टोकन एंट्रॉपी, सिमेंटिक एंट्रॉपी) या सामान्य शुद्धता या अनिश्चितता के लिए प्रशिक्षित हिडन-स्टेट प्रोब्स पर निर्भर करती हैं, इन विफलता मोडों के बीच अंतर करने में विफल रहती हैं। विशेष रूप से, वे स्टेल रिकॉल (Stale Recall) (एक ऐसा तथ्य प्राप्त करना जो प्रशिक्षण के समय सही था लेकिन अब पुराना हो चुका है) और कॉन्फैबुलेशन (Confabulation) (एक ऐसा तथ्य गढ़ना जो कभी अस्तित्व में ही नहीं था) के बीच अंतर नहीं कर सकती हैं। यह अपारदर्शिता तैनाती (deployments) को रिकवरेबल ट्रेनिंग-टाइम त्रुटियों और मतिभ्रम (hallucinations) के बीच अंतर करने में असमर्थ बनाती है।

लेखकों का तर्क है कि यह कोई इंजीनियरिंग विफलता नहीं बल्कि एक संरचनात्मक विफलता है: टेम्पोरल ड्रिफ्ट (Temporal Drift) (चाहे संग्रहीत तथ्य प्रशिक्षण के बाद से बदला है या नहीं) मॉडल के रेसिडुअल स्ट्रीम (residual stream) में एक ऐसे रिप्रेसेंटेशनल एक्सिस (representational axis) के रूप में एनकोडेड है जो शुद्धता (correctness) और अनिश्चितता (uncertainty) दोनों के ज्यामितीय रूप से लंबवत (orthogonal) है। फलस्वरूप, कोई भी विधि जो केवल शुद्धता या अनिश्चितता संकेतों पर संचालित होती है, वह संरचनात्मक रूप से ड्रिफ्ट के प्रति अंधापन रखती है।

कार्यप्रणाली (Methodology)

डेटासेट निर्माण (Dataset Construction)

लेखकों ने 3,511 प्रश्नों का एक डेटासेट बनाया जो चार संबंधों (head_of_government, head_coach, chair_of, owned_by) में 1,342 अद्वितीय तथ्यों तक फैला हुआ है, जिसे एक फ्रीज किए गए विकिडेटा स्नैपशॉट (अप्रैल 2026) से प्राप्त दिन-स्तर की कार्यकाल सटीकता के साथ तैयार किया गया है।

टेम्पोरल नॉलेज स्टेट्स (Temporal Knowledge States): प्रत्येक (नमूना, मॉडल) जोड़ी को तथ्य की टाइमलाइन और मॉडल के प्रशिक्षण कटऑफ ( $\tau_\theta$ $τ_{θ}$ ) के सापेक्ष मॉडल के आउटपुट के आधार पर पाँच अवस्थाओं में वर्गीकृत किया गया है:
1. स्टेबल-करेक्ट (Stable-Correct): सही उत्तर, कोई ड्रिफ्ट नहीं।
2. एनैक्रोनिज्म (Anachronism): गलत उत्तर (पूर्व धारक), कोई ड्रिफ्ट नहीं (तथ्य कभी नहीं बदला)।
3. स्टेल-रिकॉल (Stale-Recall): गलत उत्तर (पूर्व धारक), ड्रिफ्ट हुआ (तथ्य प्रशिक्षण के बाद बदला)।
4. ऑब्सोलीट-करेंट (Obsolete-Current): गलत उत्तर (प्रशिक्षण के समय वर्तमान, बाद में बदला गया), ड्रिफ्ट हुआ।
5. कॉन्फैबुलेशन (Confabulation): गलत उत्तर (गढ़ा हुआ), ड्रिफ्ट हुआ।
नियंत्रित मूल्यांकन (Controlled Evaluation): मॉडल द्वारा क्वेरी वर्ष को पहचानने (एक कन्फाउंड) को रोकने के लिए, मूल्यांकन को $\tau_\theta + 1$ के बराबर या उससे अधिक के क्वेरी वर्षों तक सीमित रखा गया है।

प्रोबिंग और विश्लेषण (Probing and Analysis)

यह अध्ययन चार आर्किटेक्चर परिवारों के छह इंस्ट्रक्शन-ट्यून्ड मॉडल्स (Llama-2, Mistral, Llama-3.1, Qwen-2.5, Gemma-2) का मूल्यांकन करता है।

लीनियर प्रोब्स (Linear Probes): 'is_drifted' लेबल की भविष्यवाणी करने के लिए रेसिडुअल-स्ट्रीम एक्टिवेशन ( $h^{(\ell)}$ ) पर L1-रेगुलराइज्ड लीनियर प्रोब्स को प्रशिक्षित किया गया है। लेखक पीक परफॉरमेंस लेयर की पहचान करने के लिए सभी परतों को स्कैन करते हैं।
ज्यामितीय स्वतंत्रता परीक्षण (Geometric Independence Tests): यह सत्यापित करने के लिए कि ड्रिफ्ट एक्सिस शुद्धता और अनिश्चितता से स्वतंत्र है, पाँच पूरक उपाय अपनाए गए हैं:
- वेट कोसाइन (Weight Cosines): ड्रिफ्ट, शुद्धता और अनिश्चितता प्रोब वेट वेक्टर्स के बीच कोण को मापना।
- स्कोर कोरिलेशन (Score Correlations): प्रोब स्कोर के बीच पियर्सन कोरिलेशन।
- द्विदिश नुल-स्पेस प्रोजेक्शन (Bidirectional Null-Space Projection): रेसिडुअल स्ट्रीम को न्यूसेंस दिशाओं (शुद्धता/अनिश्चितता) के लंबवत सबस्पेस पर प्रोजेक्ट करना और लक्षित प्रोब को फिर से प्रशिक्षित करना।
- इटरेटिव नुल-स्पेस प्रोजेक्शन (INLP): न्यूसेंस वेरिएबल्स से जुड़ी दिशाओं को बार-बार हटाना ताकि वितरित निर्भरता (distributed dependence) का परीक्षण किया जा सके।
- मीन-शिफ्ट डिसोसिएशन (Mean-Shift Dissociation): ऑप्टिमाइजेशन आर्टिफैक्ट्स को खारिज करने के लिए प्रशिक्षित प्रोब्स की तुलना अनट्रेंड डिफरेंस-ऑफ-मीन्स (DoM) दिशाओं से करना।
मैकेनिस्टिक इंटरवेंशन (Mechanistic Interventions):
- एक्टिवेशन पैचिंग (Activation Patching): दूषित हिडन स्टेट्स को क्लीन स्टेट्स से बदलकर टेम्पोरल प्रोसेसिंग को लोकलाइज करना।
- डायरेक्ट लॉजिट एट्रिब्यूशन (DLA): स्टेल-रिकॉल बनाम कॉन्फैबुलेशन के लिए MLP ट्रेजेक्टरीज की तुलना करने के लिए आउटपुट लॉजिट्स को डिकंपोज करना।
- कॉज़ल स्टीयरिंग (Causal Steering): धारक लॉजिट्स (holder logits) को देखने के लिए ड्रिफ्ट दिशा को एम्प्लीफाई या सप्रेस करना।

मुख्य परिणाम (Key Results)

1. ड्रिफ्ट की लीनियर डिकोडेबिलिटी (Linear Decodability of Drift)

सीधे ड्रिफ्ट लेबल पर प्रशिक्षित लीनियर प्रोब सभी छह मॉडल्स में AUROC 0.83–0.95 प्राप्त करता है। इसके विपरीत, मौजूदा बेसलाइन्स (Token Entropy, Semantic Entropy, SEP, SAPLما, CCS) लगभग चांस के करीब (0.49–0.57) रहते हैं। यह पुष्टि करता है कि ड्रिफ्ट रेसिडुअल स्ट्रीम में एक लीनियरली डिकोडेबल सिग्नल है, लेकिन यह उन विधियों के लिए अदृश्य है जो स्पष्ट रूप से ड्रिफ्ट पर प्रशिक्षित नहीं हैं।

2. ज्यामितीय ऑर्थोगोनैलिटी (Geometric Orthogonality)

पाँच परीक्षण पुष्टि करते हैं कि ड्रिफ्ट एक्सिस शुद्धता-अनिश्चितता सबस्पेस से ज्यामितीय रूप से स्वतंत्र है:

वेट कोसाइन: ड्रिफ्ट और शुद्धता/अनिश्चितता वेक्टर्स के बीच $|\cos| \le 0.14$ ।
स्कोर कोरिलेशन: ड्रिफ्ट स्कोर और शुद्धता/अनिश्चितता स्कोर के बीच $|r| \le 0.20$ ।
नुल-स्पेस प्रोजेक्शन: शुद्धता और अनिश्चितता दिशाओं को हटाने से नगण्य AUROC गिरावट ( $|\Delta| \le 0.008$ ) आती है, जो पुष्टि करती है कि ड्रिफ्ट उनके स्पैन (span) में नहीं है।
INLP: प्रत्येक न्यूसेंस वेरिएबल के लिए 10 दिशाओं को हटाने के बाद भी ड्रिफ्ट पता लगाने योग्य रहता है।
मीन-शिफ्ट डिसोसिएशन: प्रशिक्षित प्रोब्स अनट्रेंड मीन-शिफ्ट दिशाओं के अत्यधिक सह-संबंधित होने के बावजूद लगभग-ऑर्थोगोनल होते हैं, जो दर्शाता है कि स्वतंत्रता संरचनात्मक है, न कि स्पर्सिटी का आर्टिफैक्ट।

3. मॉडल विशिष्टता और इनपुट स्वतंत्रता (Model Specificity and Input Independence)

बाइट-आइडेंटिकल इनपुट्स के साथ क्रॉस-कटऑफ प्रयोग में, ड्रिफ्ट प्रोब उस मॉडल पर फायर होता है जिसका ट्रेनिंग कटऑफ तथ्य के ट्रांज़िशन से पहले का है और बाद वाले कटऑफ वाले मॉडल पर शांत रहता है। मॉडल जोड़ों के बीच $P(A > B)$ की सीमा 0.975 से 0.998 तक है। यह सिद्ध करता है कि प्रोब मॉडल की आंतरिक ज्ञान स्थिति का पता लगाता है, न कि इनपुट प्रॉपर्टीज जैसे एंटिटी फैमिलियारिटी या क्वेरी वर्ष का।

4. मैकेनिस्टिक स्पष्टीकरण (Mechanistic Explanation)

समान रिट्रीवल डायनेमिक्स (Identical Retrieval Dynamics): डायरेक्ट लॉजिट एट्रिब्यूशन प्रकट करता है कि MLP रिट्रीवल सर्किट स्टेल-रिकॉल और कॉन्फैबुलेशन के लिए लगभग समान ट्रेजेक्टरीज ( $r > 0.81$ ) उत्पन्न करता है। दोनों विफलता मोड एक ही लेयर पर पीक करते हैं, जो यह समझाता है कि क्यों आउटपुट कॉन्फिडेंस (जो रिट्रीवल स्ट्रेंथ को दर्शाता है) उन्हें अलग नहीं कर सकता।
लेटेंट लेकिन एक्टिवेटेबल (Latent but Activatable): कॉज़ल स्टीयरिंग दिखाता है कि ड्रिफ्ट दिशा सामान्य इन्फरेंस के तहत लेटेंट है (इसे दबाने से आउटपुट में कोई बदलाव नहीं होता), लेकिन जब इसे एम्प्लीफाई किया जाता है, तो यह धारक लॉजिट्स को पुनर्गठित करती है, जिससे टेम्पोरल रिट्रीवल सर्किट चुनिंदा रूप से सक्रिय हो जाता है।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि टेम्पोरल ड्रिफ्ट LLMs का एक विशिष्ट रिप्रेसेंटेशनल प्रॉपर्टी है, जो शुद्धता और अनिश्चितता के ऑर्थोगोनल है। यह ज्यामितीय स्वतंत्रता बताती है कि क्यों:

मौजूदा मतिभ्रम (hallucination) डिटेक्शन विधियाँ स्टेल फैक्ट्स पर विफल रहती हैं।
मॉडल स्टेल फैक्ट्स पर आत्मविश्वास से गलत (उच्च विश्वास, कम अनिश्चितता) हो सकते हैं क्योंकि वे पुराने ट्रेनिंग डेटा के वास्तविक रिट्रीवल को कर रहे होते हैं।
टेम्पोरल ड्रिफ्ट का पता लगाने के लिए उन प्रोब्स की आवश्यकता है जो सीधे ड्रिफ्ट लेबल पर प्रशिक्षित हों; शुद्धता या अनिश्चितता प्रोब्स का पुनरुत्पादन (repurposing) अपर्याप्त है।

लेखक निष्कर्ष निकालते हैं कि तैनात प्रणालियों को सतह-स्तर की त्रुटियों का इंतजार करने या अनिश्चितता अनुमानों पर भरोसा करने के बजाय, इस विशिष्ट ड्रिफ्ट एक्सिस को पढ़ना चाहिए ताकि पुराने ज्ञान की पहचान की जा सके। यह कार्य इस बात का मैकेनिस्टिक विवरण प्रदान करता है कि मॉडल टेम्पोरल वैधता को कैसे एनकोड करते हैं और यह प्रदर्शित करता है कि यह सिग्नल लीनियर प्रोब्स के माध्यम से सुलभ है, जो LLM अनुप्रयोगों में अधिक मजबूत टेम्पोरल फैक्ट-चेकिंग की ओर एक मार्ग प्रदान करता है।