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

• Blocchi: Opzionali, brevi burst di ragionamento che possono apparire in qualsiasi punto di una risposta (inizio, mezzo o fine), consentendo il riattivamento del ragionamento all'interno di un singolo turno.

3. Eventi Tick: Turni utente contenenti solo un timestamp, che rappresentano il passaggio silenzioso del tempo senza nuovo testo.

Curriculum di Addestramento

Il framework allinea i modelli densi Qwen3 (4B, 8B, 14B e 32B parametri) utilizzando un curriculum di fine-tuning supervisionato (SFT) in quattro fasi:

• Fase 1 (Semina Strutturale): Introduce primitive e formati di output utilizzando dati sintetici a turno singolo per insegnare un ragionamento compatto e ben delimitato.
• Fase 2 (Esposizione Temporale): Utilizza dialoghi a due turni con intervalli di tempo ed eventi tick per insegnare al modello a condizionarsi su metadati temporali, rivedere le assunzioni dopo il silenzio e sopprimere la verbosità quando non necessaria.
• Fase 3 (Modulazione Contestuale): Estende alle impostazioni multi-turno, addestrando il modello a sopprimere o riattivare blocchi di ragionamento in contesti mutevoli e con frequenza di tick aumentata.
• Fase 4 (Convergenza Allineata al Gradiente): Un passo decisivo di allineamento utilizzando un batch completo (128 campioni), massimamente diversificato. Questo set isola l'invariante target: burst di ragionamento attivati solo da segnali temporali o discorsivi. Questa fase utilizza aggiornamenti deterministici su batch completo per concentrare i gradienti sulla politica evitando la varianza di campionamento.

Valutazione: TIMEBench

Gli autori introducono TIMEBench, un benchmark diagnostico composto da 77 scenari in sette categorie. A differenza dei benchmark focalizzati sul richiamo di fatti temporali, TIMEBench testa il ragionamento in condizioni di discontinuità temporale, anomalia e ri-ancoraggio contestuale. Le categorie includono:

• Retrospezione Cronologica
• Rilevamento di Tempi Invalidi
• Adattività Temporale (es. scadenze imminenti)
• Consapevolezza Contestuale Temporale (es. festività, contesti notturni)
• Rilevamento di Anomalie nel Flusso Temporale (es. salti temporali impossibili)
• Consapevolezza degli Intervalli di Tempo
• Sensibilità ai Fusi Orari

La valutazione utilizza un LLM come Giudice (cieco rispetto a prompt e timestamp) con punteggio binario e intervalli di confidenza bootstrap.

Risultati Chiave

Su tutte le scale di modello (da 4B a 32B), i modelli TIME superano significativamente i modelli base Qwen3 sia nella modalità "senza pensiero" che in quella "con pensiero" su TIMEBench:

• Miglioramenti delle Prestazioni: TIME-32B ha ottenuto un punteggio di 64,81, rispetto a 37,40 per il Qwen3-32B base in modalità con pensiero e 31,82 in modalità senza pensiero. Miglioramenti simili sono stati osservati sui modelli 4B, 8B e 14B.
• Significatività Statistica: I miglioramenti sono stati statisticamente significativi ($p < 0,001$) su tutte le scale tramite test di rango con segno di Wilcoxon.
• Efficienza e Struttura:
  • Riduzione dei Token: I modelli TIME hanno ridotto i token di ragionamento esplicito di circa un ordine di grandezza (ad esempio, ~84 token di ragionamento per esecuzione per TIME-32B contro ~911 per la modalità con pensiero base).
  • Spostamento del Posizionamento: La posizione del ragionamento è passata dall'essere caricata all'inizio (100% all'inizio per i modelli base) a essere prevalentemente a metà turno (75,6% per TIME-32B).
  • Degenerazione: I modelli TIME hanno mostrato tassi significativamente più bassi di degenerazione dell'output (ad esempio, 3,64% per TIME-32B contro 18,18% per la modalità con pensiero base).

Significato e Affermazioni

Il documento afferma che TIME dimostra che il ragionamento esplicito può essere allineato come una politica selettiva, attivata dal contesto, piuttosto che come uno stile di decodifica fisso. Il significato del lavoro risiede in:

1. Cambiamento Comportamentale: Passare da un ragionamento "sempre attivo" o "mai attivo" a una politica in cui il ragionamento viene dispiegato selettivamente in risposta a cambiamenti dello stato latente segnalati da segnali temporali.
2. Migliorata Auditabilità: Utilizzando brevi burst di ragionamento localizzati, la mappatura tra affermazioni specifiche e le loro giustificazioni diventa più diretta.
3. Cognizione Temporale: Il framework mostra che i modelli possono imparare a utilizzare la temporalità non solo come contenuto da richiamare, ma come una sonda strutturata per cambiamenti di contesto latente (ad esempio, assunzioni obsolete, urgenza) che richiedono un ri-ancoraggio.

Limitazioni e Ambito

Gli autori notano esplicitamente le seguenti limitazioni:

• Ambito del Modello: Gli esperimenti sono limitati a reasoner ibridi densi della famiglia Qwen3; non viene rivendicata la generalizzabilità a modelli di istruzione puri o architetture mixture-of-experts.
• Ambito del Benchmark: TIMEBench è uno strumento diagnostico preliminare con 77 scenari; non valuta le prestazioni su benchmark basati su compiti più ampi come matematica generale o programmazione.
• Metodo di Valutazione: I punteggi si basano su un LLM come Giudice anziché su annotazione umana, introducendo potenziale rumore valutativo.
• Interpretabilità Meccanistica: Il lavoro affronta quando e come il ragionamento viene messo in superficie, ma non fornisce un'interpretazione meccanica degli stati sottostanti del modello.
• Lingua: Gli esperimenti sono condotti solo in inglese.

Il documento conclude che TIME e TIMEBench forniscono una base per insegnare ai modelli a dispiegare il ragionamento esplicito in modo selettivo, sebbene il trasferimento più ampio e un benchmarking più robusto rimangano aree aperte per lavori futuri.