标签
本文探讨了AI聊天机器人在正确回答时间相关问题上持续存在的困难，分析了背后的原因以及用户的挫败感。
OpenCoF 提出了一个推理视频数据集和一个微调的视频生成模型，通过多样化的监督和显式推理令牌来改进时间推理，在四个视频推理基准上取得了显著提升。
本文介绍了LingBot-VLA 2.0，它通过改进跨任务和具身形态的泛化能力、将动作空间扩展至全身自由度，并引入预测动力学建模以提升时间推理能力，从而增强了用于机器人技术的VLA基础模型。
本文系统研究了如何将时间元数据结构性地嵌入到面向历史文本的命名实体识别（NER）模型中。通过采用早期或晚期融合机制注入绝对和相对时间表示的实验表明，晚期融合策略在法语和德语历史数据集上展现出更稳健的性能。
本文介绍了HIPE-2026的结果，这是HIPE评测系列的第三版，专注于从法语、德语和英语的多语言历史文档中提取基于时间的人物-地点关系。对17个参赛团队在预测准确性、计算效率和跨领域泛化能力方面进行了评估。
本文指出了当前AI代理记忆系统的四个关键缺陷——脆弱性、缺乏时间推理能力、遗忘困境和评估缺口——并提出了一种受代码代理启发的新型记忆架构，在基准测试中取得了高分，同时强调上下文学习是下一个挑战。
本文提出了基于回忆的提示策略（Self-Recall和Question-Recall），以提升LLM对知识截止的遵循能力，在反事实问题上优于现有方法，并引入多截止历史事件基准（MHEB）用于鲁棒性评估。
研究人员推出了 DoseBench——一个包含 81 个非处方药剂量场景的基准测试，用于评估大语言模型在对乙酰氨基酚和布洛芬使用中面对时间不确定性时的决策能力。结果表明，大语言模型在滚动时间窗口推理方面频繁出现困难，且可能给出看似自信但缺乏医学依据的回答。
本文引入读出-中介角度，证明线性探针可以从语言模型激活中解码出与模型实际因果计算正交的信息，从而削弱了基于探针的可解释性。该发现跨模型规模和系列得到复现，揭示出使用探针进行机制理解或安全监控的一个根本性失败模式。
本文介绍了AsyncTool，一个用于评估基于LLM的智能体在多任务场景下具有延迟工具响应的异步函数调用能力的基准测试。它提出了面向效率的度量指标，并识别了当前工具使用智能体的关键失败模式。
## 指令微调能否提升大语言模型的纵向建模上下文学习能力？ 来源：[https://arxiv.org/html/2604.16382](https://arxiv.org/html/2604.16382) Iqra Ali¹, Talia Tseriotou¹, Mahmud Elahi Akhter¹, Yuxiang Zhou¹, Maria Liakata¹,² ¹伦敦玛丽女王大学（英国），²艾伦·图灵研究所（英国） {iqra.ali,t.tseriotou,m.liakata}@qmul.ac.uk ###### 摘要 纵向NLP任务要求对时间有序的文本进行推理，以检测人类行为和观点的持续性和变化。然而，大语言模型的上下文学习在模型必须整合历史上下文、跟踪不断演变的交互，以及处理罕见变化事件的任务上存在困难。我们提出了LiFT，一个纵向指令微调框架，将多样化的纵向建模任务统一在共享的指令模式之下。LiFT采用课程式方法，在逐步增加时间难度的同时融入少样本结构和时间条件化，以鼓励有效利用过去上下文。我们在五个数据集上评估了LiFT。在不同时间粒度级别上针对纵向任务训练的模型，在两个独立数据集上进行了泛化能力测试。在不同参数规模的模型（OLMo（1B/7B）、LLaMA-8B和Qwen-14B）中，LiFT始终优于基线模型的上下文学习，在分布外数据和少数类变化事件上表现出显著的提升。
本文介绍了 Zep，这是一种用于智能体（agent）记忆的时间知识图谱架构，在 DMR 和 LongMemEval 等基准测试中表现优于 MemGPT。文章强调了 Zep 在企业级用例中处理动态知识融合和时间推理的能力。