摘要
大型语言模型常因训练数据过时而面临时间事实冲突。针对 DYNAMICQA 与 MULAN 两项研究的矛盾结论，本文通过复现实验并交叉验证数据集，探究分歧根源。研究标准化了评估设置，利用 LLM 生成自然语言上下文以替代程序化语句，并扩展至不同规模模型。结果表明，数据集设计、评估指标及模型大小显著影响 LLM 对时间知识的编码与更新行为，揭示了记忆机制在动态信息处理中的关键作用。
AI 推荐理由
核心研究 LLM 中时间事实冲突、记忆更新及外部上下文对记忆的影响机制。
研究机构
格拉斯哥大学，英国
论文信息