Newest papers

Temporal Evidence-Parameter Co-Alignment for LLM Reasoning over Temporal Knowledge Graphs

Jiapu Wang · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28176 · open-access PDF

French

Les grands modèles linguistiques (LLM) luttent souvent avec le raisonnement fondé sur le temps parce que leur mémoire paramétrique statique est mal alignée avec l'évolution dynamique des connaissances du monde réel. Bien que le RAG et le Parameter-Efficient Fine-Tuning (PEFT) fournissent des moyens pratiques d'améliorer les LLM, ils restent insuffisants pour le raisonnement temporel. Les méthodes de récupération existantes priorisent généralement la pertinence sémantique tout en ignorant la validité temporelle, l'ordre des événements et les dépendances évolutionnaires, ce qui entraîne des preuves qui sont pertinentes à l'isolement mais fragmentées dans le temps.

Machine translation (Meta M2M100); the English original follows.

Abstract

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

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange