💻 computer science

Structured yet Bounded Temporal Understanding in Large Language Models

本文研究了大语言模型在指示性（过去-现在-未来）与序列性（之前-之后）参照系下，其时间理解与相似性判断是如何变化的，揭示了受时间距离、区间关系及事件持续时间影响的截然不同的结构模式。

原作者： Damin Zhang, Julia Rayz

发布于 2026-01-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Damin Zhang, Julia Rayz

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一个非常聪明的机器人，它读过几乎所有被写下的书籍、文章和网站。你可能会认为这个机器人完美地理解时间，因为它知道“昨天”在“今天”之前，“明天”在“今天”之后。但这篇文章提出了一个更深层的问题：这个机器人究竟是如何“感受”时间的？ 它看待时间的方式是像人类一样，还是以一种奇怪的、机械化的方式？

普渡大学的研究人员决定通过把这个机器人当作一个正在参加心理测试的人来进行测试。他们想看看机器人的时间理解是否会随着提问方式的不同而改变。

以下是他们实验的过程及其发现，我们使用简单的类比来呈现。

两种看待时间的方式

研究人员使用两种不同的“透镜”或**参照框架（Frames of Reference）**来测试机器人：

“自我”透镜（指示性/Deictic）： 这是人类通常说话的方式。我们站在时间线的中间。我们会说，“那件事发生在过去”，“那件事正在现在发生”，或者“那件事将在未来发生”。参照点是“我们”（即“现在”）。
“火车”透镜（序列性/Sequential）： 这是我们描述事件相对于彼此的关系时的方式，而不必担心“现在”。我们会说，“事件 A 发生在事件 B 之前”，或者“事件 B 发生在事件 A 之后”。参照点仅仅是另一个事件，而不是一个人。

实验方法：“相似度评分”

研究人员并没有问机器人简单的“这是否发生在那个之前？”这类问题，而是要求它给出一个从 -1 到 1 的相似度评分。

1.0 表示“这两件事在时间上感觉非常接近/相似”。
-1.0 表示“这两件事感觉完全相隔很远/不相似”。

他们向机器人输入了数千个现实世界的事件（如“电灯泡的发明”或“条约的签署”），但给它们起了假名（如“毛茸茸的猫”或“蓝色的石头”），这样机器人就无法仅依靠记忆的事实来回答。他们要求机器人根据一个特定的参照点，来评价这些事件感觉有多“近”。

他们的发现：机器人的“时间盲区”

结果非常引人入胜，因为它们表明机器人拥有一种非常特定、有结构但又有限的时间观。

1. “过去 vs 未来”的不平衡（“自我”透镜）

当机器人通过“自我”透镜（过去/现在/未来）观察时间时，它表现出一种不对称的视角：

未来是一片模糊： 当机器人观察未来的事件时，它的回答非常一致且趋向于负值。它很快就会判定：“未来的事物与现在完全不同。”这就像是在看一个雾蒙蒙的地平线；一切看起来都一样，而且遥远。
过去是一个杂乱的图书馆： 当观察过去时，机器人的回答要多样得多。它似乎对过去有着“更丰富”但“更不稳定”的记忆。有些旧事件感觉很近，有些感觉很远，机器人并不总是确定。
类比： 想象你站在一个房间里。未来是一面空白的白墙（统一且遥远）。过去是一个装满箱子的杂乱阁楼（细节丰富，但难以完美组织）。

2. “火车”透镜（序列性透镜）

当机器人切换到“火车”透镜（之前/之后）时，行为发生了彻底的变化。

“全或无”规则： 一旦两个事件在时间上被分隔开（一个在另一个之前），机器人会立即给出 -1.0 的分数。无论它们相隔 1 天还是 100 年；只要它们不是同时发生的，机器人就会判定：“它们是完全不同的。”这里不存在中间地带。
类比： 这就像一个电灯开关。如果两个事件是接触在一起的，它们就是“开”（相似）。如果中间哪怕只有一点点缝隙，开关就会跳到“关”（不相似）。不存在“中间状态”。

3. “持续时间”的怪癖

研究人员还检查了事件的长度是否重要（例如，一场持续 10 年的战争与一场持续 1 天的战斗）。

仅限过去： 对于过去的事件，机器人认为较长的事件比短的事件感觉与参照点更相似。一场长期的战争在感觉上比发生在同一时间的短期战斗更“接近”于“现在”。
未来： 这个规则并不适用于未来。机器人并不关心未来事件会持续多久；它们都感觉很遥远。

大局观

论文得出结论，大语言模型（LLMs）拥有有结构但有界限的时间理解。

有结构： 它们并非随机。它们根据你如何设定框架（自我 vs 序列）以及时间间隔的形式（它们是重叠还是仅仅接触）遵循明确的规则。
有界限： 它们没有完美、类人化的时间感。它们对待过去和未来的方式不同，在处理复杂的重叠事件时会遇到困难，并且高度依赖于你给出的“框架”。

简而言之： 机器人并没有感到困惑；它只是在遵循一套与人类不同的规则。它并不把时间看作一条平滑流动的河流，而是将其视为一系列取决于框架的、离散的模式，这些模式会根据你在问“这件事对我何时发生？”还是“这件事相对于那件事何时发生？”而发生变化。

技术摘要：大型语言模型中结构化且受限的时间理解

问题陈述

尽管大型语言模型（LLMs）在时间定位任务（如时间线构建、时间问答）中表现出强大的性能，但其时间推理如何依赖于语言和认知的时空框架仍不明确。现有方法通常将时间视为绝对的时间戳或离散的关系，未能考虑到 LLM 在训练过程中继承了语言编码的时间抽象。具体而言，该领域缺乏对 LLM 如何适应不同时间参照系（t-FoRs）的系统性理解——即区分指示性框架（deictic framing，锚定于体验者的“现在”，产生过去/现在/未来）与序列框架（sequential framing，锚定于特定事件，产生之前/之后）。此外，结构性因素（如时间距离、区间拓扑结构 [Allen's Interval Algebra] 以及事件持续时间）对 LLM 时间表示的影响也尚未得到充分表征。

方法论

作者提出了一种基于框架敏感性的评估框架，利用相似性判断任务来探测 LLM 的时间认知。

1. 数据集构建

来源： 从 Wikidata 中提取真实世界事件，构建了一个涵盖 0001 年至 2100 年的事件数据集。
匿名化： 为防止模型依赖记忆的历史知识，事件名称被替换为罕见的动物名称，同时保留起始和结束时间戳。
采样： 选择了一个包含 321 个事件的平衡子集，以确保覆盖所有 **13 种 Allen 间隔代数（Allen's Interval Algebra）**关系。
规模： 最终数据集包含约 290 万条指示性 t-FoR 条目和约 5.1 万条序列性 t-FoR 条目。

2. 实验设计

研究评估了两个开源 LLM：Qwen3-4B 和 Qwen3-30B。

指示性 t-FoR： 参考点被生成为相对于体验者的“现在”时间戳（ $\tau$ ）序列。数据对为 $(\tau, e_i)$ ，其中 $e_i$ 是目标事件。
序列性 t-FoR： 参考点是特定的事件（ $e_j$ ）。数据对为 $(e_i, e_j)$ ，建立相对顺序。
任务： 模型被提示输出一个相似性得分 $s \in [-1.00, 1.00]$ ，表示参考时间/事件与目标事件的相似程度。
指标：
- 平均相似度 vs. 时间距离： 作为符号距离（天数）的函数进行分析。
- 特定区间的方差： 按 Allen 关系分组，以衡量稳定性。
- 持续时间交互： 通过（距离，持续时间）箱图进行热力图分析。

关键结果

1. 对时间参照系的适应

LLM 会系统地根据所选的 t-FoR 调整其行为，但产生的模式显著不同：

指示性 t-FoR： 相似性得分呈现出以现在为中心的梯度、非对称结构。
- 未来： 得分急剧下降并收敛至 -1.00，且方差较低，表明存在一种压缩的、均匀的表示。
- 过去： 得分下降较为平缓，且具有显著更高的方差，表明对过去事件的表示更丰富但也更不稳定。
序列性 t-FoR： 相似性得分表现出强极化现象。一旦事件在时间上分离（非零距离），得分会迅速坍缩至强负值。方差仅集中在零距离附近（即多个区间关系如 重叠 [overlaps] 或 相遇 [meets] 共存之处）。

2. 区间结构的影响（Allen 代数）

稳定关系： 严格排序的关系（之前 [before]、之后 [after]）以及边界对齐的关系（相遇 [meets]、被...相遇 [met-by]、等于 [equals]）产生一致且极化的得分。
不稳定关系： **重叠（overlap）和包含（containment）*关系（例如 重叠 [overlaps]、期间 [during]、包含 [contains]）表现出*显著更高的方差。这表明 LLM 在处理结构性模糊的时间拓扑时存在困难，尤其是在序列框架下。

3. 持续时间与时间距离的交互

指示性 t-FoR（仅限过去）： 在过去事件中观察到了明显的持续时间效应。在同等距离下，长持续时间的过去事件比短持续时间的事件获得更高的相似性评分。在某些情况下，遥远的长时间事件被评定为比近处的短时间事件更具相似性。
无持续时间效应： 这种调制作用在指示性框架下的未来事件中并不存在，在序列性 t-FoR 下也未出现，其相似性不受持续时间影响而保持极化。

核心贡献

框架敏感性评估框架： 引入了一个通过对真实世界事件进行相似性判断来对比指示性和序列性 t-FoR 的基准测试，超越了简单的事实正确性。
大规模时间数据集： 创建了一个源自 Wikidata 的数据集，保留了区间结构和持续时间，从而能够在大规模范围内系统分析时间距离、Allen 代数和持续时间。
对时间行为的实证表征： 提供了证据证明 LLM 的时间理解是依赖于框架的，并受结构性因素的影响，具体识别出：
- 指示性框架下的过去-未来不对称性。
- 序列性框架下的快速相似性坍缩。
- 重叠关系中的不稳定性上升。
- 持续时间效应仅限于指示性锚定下的过去事件。

意义与主张

论文认为 LLM 拥有一种结构化且受限的时间理解形式。

结构化： LLM 并非随机处理时间；它们能一致地适应不同的参考结构（指示性 vs. 序列性），并且对区间几何和持续时间敏感。
受限： 这种理解并非全局性的、显式的时间度量。它受到自然语言中所编码的语言和认知规律的约束。
- 相比未来，其表示在过去更为丰富。
- 对于清晰排序的关系，其表示比对于重叠区间更稳定。
- 过去-未来的不对称性以及选择性的持续时间效应表明，LLM 并不具备对称的、客观的时间感，而是一种锚定于“体验者”或特定事件的视角化时间感。

作者得出结论，LLM 的时间理解很可能是由语言习得的规律而非显式的时间推理机制所塑造的，表现为一种随上下文锚定的、梯度的相似性空间，该空间虽能适应框架变化，但不会坍缩为单一的全局度量。

局限性

本研究目前仅限于英文文本。t-FoR 分类法是基于 Evans (2013) 的研究，旨在补充前人工作，尽管论文承认目前对于哪种分类法最能描述事件关系尚未达成普遍共识。