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

Blocos: Opcionais, rajadas curtas de raciocínio que podem aparecer em qualquer lugar de uma resposta (início, meio ou fim), permitindo o reativamento do raciocínio dentro de uma única interação.
3. Eventos de Tique: Interações do usuário contendo apenas um carimbo de tempo, representando a passagem silenciosa do tempo sem novo texto.

Currículo de Treinamento

O framework alinha modelos densos Qwen3 (4B, 8B, 14B e 32B parâmetros) usando um currículo de ajuste fino supervisionado (SFT) de quatro fases:

• Fase 1 (Semeadura Estrutural): Introduz primitivas e formatos de saída usando dados sintéticos de interação única para ensinar raciocínio compacto e bem delimitado.
• Fase 2 (Exposição Temporal): Usa diálogos de duas interações com lacunas de tempo e eventos de tique para ensinar o modelo a condicionar-se a metadados temporais, revisar suposições após o silêncio e suprimir a verbosidade quando desnecessária.
• Fase 3 (Modulação Contextual): Estende-se para configurações de múltiplas interações, treinando o modelo para suprimir ou reativar blocos de raciocínio sob contexto em mudança e frequência aumentada de tiques.
• Fase 4 (Convergência Alinhada ao Gradiente): Uma etapa decisiva de alinhamento usando um lote completo pequeno (128 amostras), maximamente diverso. Este conjunto isola a invariante alvo: rajadas de raciocínio acionadas apenas por pistas temporais ou discursivas. Esta fase usa atualizações determinísticas de lote completo para concentrar os gradientes na política, evitando a variância de amostragem.

Avaliação: TIMEBench

Os autores introduzem o TIMEBench, um benchmark diagnóstico consistindo em 77 cenários em sete categorias. Diferentemente de benchmarks focados na recordação de fatos temporais, o TIMEBench testa o raciocínio sob descontinuidade temporal, anomalia e reancoragem contextual. As categorias incluem:

• Retrospecção Cronológica
• Detecção de Tempo Inválido
• Adaptabilidade Temporal (ex.: prazos se aproximando)
• Consciência Contextual Temporal (ex.: feriados, contextos de madrugada)
• Detecção de Anomalia no Fluxo Temporal (ex.: saltos de tempo impossíveis)
• Consciência de Lacuna de Tempo
• Sensibilidade a Fuso Horário

A avaliação usa um LLM como Juiz (cego para prompts e carimbos de tempo) com pontuação binária e intervalos de confiança bootstrap.

Resultados Principais

Em todas as escalas de modelo (4B a 32B), os modelos TIME superam significativamente os modelos base Qwen3 tanto nos modos "sem pensamento" quanto "com pensamento" no TIMEBench:

• Ganhos de Desempenho: O TIME-32B alcançou uma pontuação de 64,81, comparado a 37,40 para o Qwen3-32B base no modo com pensamento e 31,82 no modo sem pensamento. Melhorias similares foram observadas nos modelos 4B, 8B e 14B.
• Significância Estatística: As melhorias foram estatisticamente significativas ($p < 0,001$) em todas as escalas via testes de postos sinalizados de Wilcoxon.
• Eficiência e Estrutura:
  • Redução de Tokens: Os modelos TIME reduziram os tokens de raciocínio explícito em aproximadamente uma ordem de magnitude (ex.: ~84 tokens de raciocínio por execução para o TIME-32B vs. ~911 para o modo com pensamento base).
  • Mudança de Posicionamento: A localização do raciocínio mudou de pré-carregada (100% no início para modelos base) para predominantemente no meio da interação (75,6% para o TIME-32B).
  • Degenerescência: Os modelos TIME mostraram taxas significativamente menores de degenerescência de saída (ex.: 3,64% para o TIME-32B vs. 18,18% para o modo com pensamento base).

Significância e Alegações

O artigo alega que o TIME demonstra que o raciocínio explícito pode ser alinhado como uma política seletiva, acionada por contexto, em vez de um estilo de decodificação fixo. A significância do trabalho reside em:

1. Mudança Comportamental: Passar de raciocínio "sempre ligado" ou "nunca ligado" para uma política onde o raciocínio é implantado seletivamente em resposta a mudanças de estado latente sinalizadas por pistas temporais.
2. Auditabilidade Aprimorada: Ao usar rajadas curtas e localizadas de raciocínio, o mapeamento entre alegações específicas e suas justificativas torna-se mais direto.
3. Cognição Temporal: O framework mostra que os modelos podem aprender a usar a temporalidade não apenas como conteúdo a ser recordado, mas como uma sonda estruturada para mudanças de contexto latente (ex.: suposições obsoletas, urgência) que exigem reancoragem.

Limitações e Escopo

Os autores notam explicitamente as seguintes limitações:

• Escopo do Modelo: Os experimentos são limitados a reasoners híbridos densos da família Qwen3; não é alegada generalização para modelos de instrução puros ou arquiteturas de mistura de especialistas.
• Escopo do Benchmark: O TIMEBench é uma ferramenta diagnóstica preliminar com 77 cenários; não avalia o desempenho em benchmarks mais amplos baseados em tarefas, como matemática geral ou codificação.
• Método de Avaliação: As pontuações dependem de LLM como Juiz em vez de anotação humana, introduzindo ruído potencial do avaliador.
• Interpretabilidade Mecanística: O trabalho aborda quando e como o raciocínio é trazido à tona, mas não fornece interpretabilidade mecanística dos estados subjacentes do modelo.
• Idioma: Os experimentos são conduzidos apenas em inglês.

O artigo conclui que o TIME e o TIMEBench fornecem uma base para ensinar modelos a implantar raciocínio explícito de forma seletiva, embora transferência mais ampla e benchmarking mais robusto permaneçam áreas abertas para trabalho futuro.