真正控制大语言模型时间推理的是什么：分词还是时间表示？

本文提出 MultiTempBench，一个涵盖日期算术、时区转换和时间关系提取的多语言时间推理基准，涉及五种语言及多种历法。通过评估 20 个大语言模型并引入多语言日期碎片化比率（mDFR），研究发现：在低资源语言和罕见历法中，时间实体的分词质量是主要瓶颈，导致精度崩溃；而在高资源场景中，时间线性表示是更强的预测因子。该研究揭示了分词与内部表示对时间推理能力的不同影响机制。