English(EN) Measuring Iterative Temporal Reasoning with Time Puzzles

新的时间谜题基准揭示大型语言模型难以进行迭代时间推理

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-02 04:00

开发了一个名为时间谜题（Time Puzzles）的新基准，用于评估大型语言模型（LLM）的迭代时间推理能力，特别是在使用网络搜索等工具时。该基准由包括郑祥（Zhengxiang Wang）在内的研究人员提出，发现即使是像GPT-5这样先进的模型在此类推理方面也存在困难，在不使用工具的情况下准确率仅为55.3%。虽然网络搜索可以提高性能，但当明确给出带有日期的时间限制时，模型的表现会显著更好，这凸显了在复杂时间任务中可靠使用工具的差距。 AI

影响突显了大型语言模型在时间推理工具使用方面的差距，可能指导未来的模型开发和评估。

排序理由该集群包含一篇介绍用于评估大型语言模型能力的新颖基准的学术论文。

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: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇介绍用于评估大型语言模型能力的新颖基准的学术论文。
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, other; 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) · Zhengxiang Wang, Zeyu Dong · 2026-10-02 04:00

使用时间谜题衡量迭代时间推理

arXiv:2601.07148v4 Announce Type: replace-cross Abstract: Tool use, such as web search, has become a standard capability even in freely available large language models (LLMs). However, existing benchmarks evaluate temporal reasoning mainly in static, non-tool-using settings, whic…

本文如何被排名

报道来源 [1]

使用时间谜题衡量迭代时间推理

相关实体

相关话题