Este estudio aplica Modelos de Lenguaje Grande a tareas de pronóstico y utiliza autoencoders dispersos para analizar sus estados internos, distinguiendo entre conocimiento específico del tiempo y patrones generalizables. La investigación identifica características específicas asociadas tanto con el razonamiento consciente del tiempo como con el sesgo de anticipación.
- Los investigadores identificaron características vinculadas al razonamiento consciente del tiempo y al sesgo de anticipación en LLM.
- Amplificar las características de conciencia temporal redujo sustancialmente el sesgo de anticipación en los prompts de pronóstico.
- El rendimiento general del razonamiento se preservó mientras se reducía el sesgo mediante la amplificación de características.
- Dirigir las características candidatas de sesgo de anticipación no produjo un efecto significativo.
Estos resultados sugieren que las características temporales interpretables pueden utilizarse para desplazar causalmente a los LLM hacia un razonamiento más fundamentado históricamente.