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

Hindi

बड़े भाषा मॉडल (एलएलएम) अक्सर समय के आधार पर तर्क के साथ संघर्ष करते हैं क्योंकि उनकी स्थिर पैरामीटरिक स्मृति वास्तविक दुनिया के ज्ञान के गतिशील विकास के साथ असंगत है. हालांकि आरएजी और पैरामीटर-प्रभावी फिन-टूनिंग (पीईएफटी) एलएलएम को बढ़ाने के व्यावहारिक तरीके प्रदान करते हैं, वे समय के तर्क के लिए अपर्याप्त रहते हैं। मौजूदा रिकॉर्डिंग विधियां आमतौर पर समय की वैधता, घटनाओं की क्रम, और विकासशील निर्भरताओं को अनदेखा करते हुए सार्थक प्रासंगिकता को प्राथमिकता देते हैं, जिसके परिणामस्वरूप साक्ष्य अकेले में प्रासंगिक है लेकिन समय से टुकड़ा हुआ है। इस बीच, पारं

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