实时截止期限揭示 LLM 战略对话中的时间感知失效
人工智能
2026-01-21 v1
摘要
大型语言模型(LLM)在离散时间内逐个生成文本词元,然而从心理治疗到商业谈判等现实世界的通信,严重依赖于连续的时间约束。当前的 LLM 架构和评估协议极少测试实时截止期限下的时间感知。我们利用在严格截止期限下配对智能体之间的模拟谈判,研究 LLM 如何在时间敏感环境中调整其行为。在控制条件下,智能体仅知晓全局时间限制。在时间感知条件下,它们在每轮接收剩余时间更新。时间感知条件下的交易达成率显著更高(GPT-5.1 为 32% 对 4%),且报价接受率是控制条件下的六倍,这表明 LLM 难以在内部跟踪流逝的时间。然而,相同的 LLM 在基于轮次的限制下实现了近乎完美的交易达成率(95%),这表明失效在于时间跟踪而非战略推理。这些效应在不同的谈判场景和模型中均能复现,表明 LLM 存在系统性的时间感知缺失,这将限制 LLM 在许多时间敏感应用中的部署。
引用
@article{arxiv.2601.13206,
title = {Real-Time Deadlines Reveal Temporal Awareness Failures in LLM Strategic Dialogues},
author = {Neil K. R. Sehgal and Sharath Chandra Guntuku and Lyle Ungar},
journal= {arXiv preprint arXiv:2601.13206},
year = {2026}
}