RAG 还是学习？理解现实世界连续知识漂移下 LLM 适应的局限性

大语言模型因预训练知识固定而难以适应连续变化的现实世界，导致预测过时及推理时间不一致。现有方法在真实动态场景评估不足。本文构建了基于时间戳证据的真实世界动态事件基准，揭示包括 vanilla RAG 在内的现有方法存在灾难性遗忘和时间不一致等局限。为此，提出时间感知检索基线 Chronos，无需额外训练即可将检索证据组织为事件演化图，显著提升模型对连续知识漂移的时间一致性理解能力。