연구진은 LLM이 특정 시점 이전의 정보만으로 추론해야 할 때, 이후에 등장한 지식을 활용하는 시간적 오류를 범하는 현상을 분석했습니다.
프롬프트 설계 방식에 따라 시간적 오류가 민감하게 반응하며, 명시적인 시간 제한 지시가 암묵적인 역사적 프레임보다 효과적이라는 결과가 나왔습니다.
TCFT(Temporal Critique Fine-Tuning)라는 새로운 프레임워크를 통해 LLM이 시간적 오류를 감지하고, 시간적 경계를 판단하며, 오류를 설명하는 능력을 향상시켰습니다.