摘要
未来事件预测具有广泛的社会影响，但仍然充满挑战。当前的最先进方法通过外部代理框架增强大型语言模型（LLMs），然而一旦移除这些框架，预测能力便会消失。最近的工具集成推理（TIR）方法虽然实现了对多跳事实检索的深度搜索，但在预测时还需进行历史趋势和动态变化的时间搜索与推理。关键的障碍在于数据：历史查询会导致时间泄漏，使得预测退化为简单的检索。以往的研究要么通过静态观察冻结信息收集，要么依赖拒绝采样或未解决的新查询，这些方法会丢弃大量数据，降低合成效率。
我们提出了一种时间截断工具，强制在每个环节施加时间截止，允许从历史事件中进行TIR风格的采样，从而减少时间泄漏和对拒绝采样或未解决查询的依赖，提高采样效率。同时，我们构建了一个大规模语料库和基于过程的指标，显示我们的工具自然引入了更广泛的时间搜索范围，提高了高质量数据的比例，进一步提升了效率并减少了对复杂标准的依赖。蒸馏实验表明，接受工具干预的数据训练的学生模型表现最佳，展示了工具辅助的模型进化如何将更高质量的时间搜索与推理数据转化为学生模型的参数化进步。
博主点评： 这篇文章通过创新性地引入时间截断工具，显著提升了大型语言模型在未来事件预测中的效率，为解决数据时间泄漏问题提供了新的思路，开辟了更广泛的研究方向，值得关注。