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

• Blokken: Optionele, korte redeneringsuitbarstingen die op elke plaats in een antwoord kunnen voorkomen (aan het begin, in het midden of aan het einde), waardoor het opnieuw activeren van redenering binnen één beurt mogelijk is.

3. Tik-gebeurtenissen: Gebruikersbeurten die uitsluitend een tijdstempel bevatten, en die een stil tijdsverloop zonder nieuwe tekst vertegenwoordigen.

Trainingscurriculum

Het kader past dichte modellen van Qwen3 (4B, 8B, 14B en 32B parameters) aan via een vierfasig curriculum voor supervised fine-tuning (SFT):

• Fase 1 (Structurele zaailing): Introduceert primitieven en uitvoerformaten met synthetische data voor één-beurtinteracties om compacte, goed afgebakende redenering te leren.
• Fase 2 (Temporale blootstelling): Gebruikt dialogen van twee beurten met tijdsverschillen en tik-gebeurtenissen om het model te leren conditioneren op temporale metadata, aannames na stilte te herzien en overbodige woordkracht te onderdrukken.
• Fase 3 (Contextuele modulatie): Breidt uit naar multi-beurtinstellingen, waarbij het model wordt getraind om redeneringsblokken te onderdrukken of opnieuw te activeren onder veranderende context en verhoogde tik-frequentie.
• Fase 4 (Grootte-gealigneerde convergentie): Een beslissende aligneringsstap met behulp van een kleine (128 samples), maximaal diverse volledige batch. Deze set isoleert de doelinvariant: redeneringsuitbarstingen die uitsluitend worden geactiveerd door temporale of discours-cues. Deze fase maakt gebruik van deterministische updates van de volledige batch om gradiënten te concentreren op het beleid, terwijl steekproefvariatie wordt vermeden.

Evaluatie: TIMEBench

De auteurs introduceren TIMEBench, een diagnostische benchmark bestaande uit 77 scenario's verdeeld over zeven categorieën. In tegenstelling tot benchmarks die zich richten op het onthouden van temporale feiten, test TIMEBench redenering onder temporale discontinuïteit, anomalie en contextuele herankering. Categorieën omvatten:

• Chronologische retrospectie
• Detectie van ongeldige tijden
• Temporale adaptiviteit (bijvoorbeeld het benaderen van deadlines)
• Temporale contextbewustzijn (bijvoorbeeld vakanties, contexten laat in de nacht)
• Detectie van anomalieën in de temporele flow (bijvoorbeeld onmogelijke tijdsprongen)
• Bewustzijn van tijdsverschillen
• Gevoeligheid voor tijdzones

De evaluatie maakt gebruik van een LLM-as-a-Judge (blind voor prompts en tijdstempels) met binaire scoring en gebootste betrouwbaarheidsintervallen.

Belangrijkste resultaten

Over alle modelgroottes (van 4B tot 32B) presteren TIME-modellen aanzienlijk beter dan de basis Qwen3-modellen in zowel de "niet-denken" als de "denken"-modus op TIMEBench:

• Prestatiewinst: TIME-32B behaalde een score van 64,81, vergeleken met 37,40 voor de basis Qwen3-32B in de denkmodus en 31,82 in de niet-denkmodus. Vergelijkbare verbeteringen werden waargenomen bij de 4B-, 8B- en 14B-modellen.
• Statistische significantie: De verbeteringen waren statistisch significant ($p < 0,001$) over alle schalen heen via de Wilcoxon-signed-ranktest.
• Efficiëntie en structuur:
  • Tokenreductie: TIME-modellen verlaagden de expliciete redeneringstokens met ongeveer een orde van grootte (bijvoorbeeld ~84 redeneringstokens per run voor TIME-32B versus ~911 voor de basisdenkmodus).
  • Verschuiving in plaats: De locatie van redenering verschuift van vooraan (100% aan het begin voor basismodellen) naar voornamelijk midden in de beurt (75,6% voor TIME-32B).
  • Degeneratie: TIME-modellen vertoonden aanzienlijk lagere rates van outputdegeneratie (bijvoorbeeld 3,64% voor TIME-32B versus 18,18% voor de basisdenkmodus).

Betekenis en claims

Het artikel stelt dat TIME aantoont dat expliciete redenering kan worden gealigneerd als een selectief, context-geactiveerd beleid in plaats van een vaste decoderingsstijl. De betekenis van het werk ligt in:

1. Gedragsverandering: De verschuiving van "altijd-aan" of "nooit-aan" redenering naar een beleid waarbij redenering selectief wordt ingezet als reactie op latente statieveranderingen die worden aangegeven door temporale cues.
2. Verbeterde auditbaarheid: Door korte, gelokaliseerde redeneringsuitbarstingen te gebruiken, wordt de mapping tussen specifieke claims en hun rechtvaardiging directer.
3. Temporale cognitie: Het kader toont aan dat modellen kunnen leren temporaliteit niet alleen te gebruiken als inhoud die moet worden onthouden, maar als een gestructureerde sonde voor latente contextveranderingen (bijvoorbeeld verouderde aannames, urgentie) die herankering vereisen.

Beperkingen en reikwijdte

De auteurs merken expliciet de volgende beperkingen op:

• Modelreikwijdte: Experimenten zijn beperkt tot dichte hybride redenaars uit de Qwen3-familie; generaliseerbaarheid naar pure instructiemodellen of mixture-of-experts-architecturen wordt niet beweren.
• Benchmarkreikwijdte: TIMEBench is een voorlopig diagnostisch instrument met 77 scenario's; het evalueert geen prestaties op bredere taakgebonden benchmarks zoals algemene wiskunde of codering.
• Evaluatiemethode: Scores zijn gebaseerd op LLM-as-a-Judge in plaats van menselijke annotatie, wat potentiële evaluatieruis introduceert.
• Mechanistische interpreteerbaarheid: Het werk behandelt wanneer en hoe redenering aan het licht komt, maar biedt geen mechanistische interpreteerbaarheid van de onderliggende modelstaten.
• Taal: Experimenten worden uitsluitend in het Engels uitgevoerd.

Het artikel concludeert dat TIME en TIMEBench een fundament vormen voor het leren van modellen om expliciete redenering selectief in te zetten, hoewel bredere overdracht en robuustere benchmarking open gebieden blijven voor toekomstig werk.