保持时间 vs. 理解时间：单独依靠任何一者都无法解释 LLMs 中的时间推理

人们普遍认为，时间推理可分解为两种模式：时间算术（日期和时间计算）以及时间语义（理解时间关系和因果关系）。这种二分法影响着基准测试的设计、模型的训练方式以及进展的衡量标准，然而其经验有效性从未得到直接检验。我们提供了两条对这一观点构成挑战的证据。首先，我们检验基准测试标记为算术或语义的任务，是否能在其声称对应的模式内带来可迁移的增益。在这些子集上进行微调所带来的增益主要是数据集特定的（+6.8 至 +23.1 个百分点），而迁移到同一模式下的另一个数据集时，增益范围为 −3.2 至 +1.1 个百分点。在迁移分析所使用的两个基准系列中，这一模式几乎无法证明存在连贯且可迁移的时间能力。其次，我们采用基于认知需求的模型评估方法，考察究竟哪些能力驱动了模型在这些基准测试中的表现。我们发现，定量推理和逻辑推理——即通常被假定为时间算术和时间语义的代理能力——并非主要驱动因素，知识才是。综合来看，这些发现表明，当前的时间推理基准测试并未清晰实现算术—语义区分，反而在很大程度上是在奖励模型记住时间通常如何运作。