English(EN) Real-Time Deadlines Reveal Fragile Temporal Adaptation in LLM Strategic Dialogues

大型语言模型在战略对话中表现出脆弱的实时截止日期适应性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

一项新近发表在arXiv上的研究表明，大型语言模型（LLMs）在战略对话中表现出脆弱的时间适应性，难以应对实时截止日期。研究人员发现，提供明确的剩余时间更新显著提高了GPT-5.1-chat-latest的交易完成率，从4%提升至32%。研究还表明，定性紧迫性提示比数字倒计时更有效，并且模型的表现高度依赖于时间限制的呈现方式。 AI

影响凸显了大型语言模型战略推理的一个关键局限性，表明需要改进以适应现实世界中对时间敏感的应用。

排序理由发表在arXiv上的研究论文，详细介绍了大型语言模型的能力。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 发表在arXiv上的研究论文，详细介绍了大型语言模型的能力。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Neil K. R. Sehgal, Sharath Chandra Guntuku, Lyle Ungar · 2026-09-01 04:00

实时截止日期揭示LLM策略对话中脆弱的时间适应性

arXiv:2601.13206v2 Announce Type: replace Abstract: Large Language Models (LLMs) generate text token-by-token in discrete time, yet real-world communication, from therapy sessions to business negotiations, critically depends on continuous time constraints. We use simulated negoti…

本文如何被排名

报道来源 [1]

实时截止日期揭示LLM策略对话中脆弱的时间适应性

相关实体

相关话题