教会大语言模型何时不知道：学习时间性批判以实现事前推理

大语言模型（LLM）在时间截断下的推理常常失败：当被要求从更早时间点的立场作答时，它们会利用之后才可获得的知识。我们从事前推理（ex-ante reasoning）的视角研究这一失败：模型必须完全依赖截断点之前可知的信息。通过对提示层面干预的系统分析，我们发现时间泄露对截断点的表述方式和指令位置高度敏感：显式的截断陈述优于隐式的历史式框架，前缀约束比后缀约束更能有效减少泄露。这些发现表明，提示可以引导模型进入时间框架，但并不能赋予其验证某个回答在时间上是否可被接受的能力。我们进一步论证监督微调并不足够，因为事前正确性并非答案的内在属性，而是答案与截断点之间的关系。为填补这一空白，我们提出TCFT，一个时间批判微调（Temporal Critique Fine-Tuning）框架，训练模型习得具备截断点意识的时间验证能力。给定一个查询、一个截断点和一个候选回答，TCFT教会模型识别截断点后的泄露、解释时间边界违规，并判断时间可接受性。在Qwen2.5-7B-Instruct和Qwen2.5-14B-Instruct上的实验表明，TCFT持续优于提示和SFT基线，平均泄露分别降低41.89和37.79个百分点。