Jiapu Wang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28176 · open-access PDF
Große Sprachmodelle (LLMs) kämpfen oft mit zeitlich begründeter Argumentation, weil ihr statisches parametrisches Gedächtnis mit der dynamischen Entwicklung des realen Wissens nicht in Einklang gebracht wird. Obwohl RAG und Parameter-Effizient Fine-Tuning (PEFT) praktische Wege zur Verbesserung von LLMs bieten, bleiben sie für zeitliche Argumentation unzureichend. Bestehende Abrufmethoden priorisieren in der Regel semantische Relevanz, während sie zeitliche Gültigkeit, Ereignisordnung und evolutionäre Abhängigkeiten übersehen, was zu Beweisen führt, die isoliert, aber zeitlich fragmentiert sind.
Machine translation (Meta M2M100); the English original follows.
Large Language Models (LLMs) often struggle with temporally grounded reasoning because their static parametric memory is misaligned with the dynamic evolution of real-world knowledge. Although RAG and Parameter-Efficient Fine-Tuning (PEFT) provide practical ways to enhance LLMs, they remain insufficient for temporal reasoning. Existing retrieval methods typically prioritize semantic relevance while overlooking temporal validity, event order, and evolutionary dependencies, resulting in evidence that is relevant in isolation but temporally fragmented. Meanwhile, conventional PEFT methods usually
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28176, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange