摘要
未来事件预测极具挑战,现有方法依赖外部代理框架,移除后预测能力即消失。虽然工具集成推理(TIR)内化了深度搜索,但预测还需针对历史趋势和时间动态变化的推理。主要障碍是数据泄露导致预测退化为检索。本文提出一种时间截断机制,在每轮对话强制执行时间截止,从而从历史事件中高效采样,减少泄露并提升数据质量。实验表明,基于该机制生成的数据蒸馏出的学生模型性能最优,证明了该方法能将高质量的时间搜索与推理数据转化为模型的参数化进步。
AI 推荐理由
论文核心在于通过时间截断机制增强 LLM 的时间搜索与推理能力,实现模型进化。
研究机构
The Chinese University of Hong Kong
Meituan LongCat Team
论文信息