137.6 至 51.4 个点
2026 年 10 月 23 日，arXiv 收到 Collection-Date Assignment Redirects Answers in Temporal QA（arXiv:2610.32191v1，cs.CL，作者 Minsu Oh、Seunghui Jwa、Soo Kyun Kim、Yeo-Chan Yoon，单位署济州国立大学）。预印本，未经同行评审。本轮读的是 HTML 全文和 PDF 表。
时间问答把两份修订一起塞进上下文之后，模型还要选答哪一版。修订正文、修订时间戳、问句都钉死。动的是采集日期：这份快照是哪天抓到的。Diffbot 的 crawlTimestamp、Firecrawl 变更跟踪里的 previousScrapeAt，原文用来说明这类字段在工具模式里存在，没有测它们多常进到提示词。
这篇只论证一个判断。判断是我的，依据是论文第 4 节、表 2 和图 2。595 个维基百科页、113 个谓词组、原始维基标记、五个开源权重模型、贪心短答、Qwen3.5 关掉思考：问句当天 t1 给旧修订、第二天给新修订，相对对调后的赋值，后期参考的精确匹配（EM）掉 37.6 至 51.4 个点。Qwen2.5-72B 从 77.1% 到 28.3%；Phi-4 从 51.0% 到 3.7%。前期参考 EM 涨 37.6 至 49.8 个点。分数按页对两个展示顺序取平均。区间是谓词簇自助、名义 95%。128 页复现、497 页前一天对调、七条提示、虚构记录用来排除别的解释，不当另一条主判断。两个闭源接口模型在维基上的对调几乎不动，第 6 节单列。
EM 对齐的是 DynaQuest 在该日期上的参考别名，不是另行裁定的史实。后期参考对应较新那份修订。正文写：找回这份参考，不保证历史上为真。
2三个时间，两份修订
问句日期是问的那个时刻，不是查询执行时刻。修订时间戳是源版本何时改过。采集日期是这份版本何时被拿到；晚拿一份旧修订，正文不会跟着更新。时间顺序钉成 v0 ≤ t0 < v1 ≤ t1：较早问句 t0 时只有旧修订；较晚问句 t1 时两份都在，新修订是当时最新的。
主实验从 DynaQuest 先抽 600 页、不放回、不按答案是否出现过滤。11,441 对合格配对里去掉一份缺修订、三对时间不向前、一个先前用过的身份，剩 595 页。证据用 BM25 按问句（不用参考答案）每份修订最多取四段、每段 1,000 字符，拼起来最多 4,003 字符。不要求答案出现在摘录里。五个模型：Qwen2.5-7B、Phi-4、Mistral-Small-24B-2501、Qwen3.5-35B-A3B（思考关）、Qwen2.5-72B。
问句日期匹配对调比较 (0, 1) 和 (1, 0)：旧/新修订的采集日相对 t1 的偏移。1 月 10 日的问句，就是把 10 日和 11 日在两份修订之间对调。邻近对调比较 (1, 7) 和 (7, 1)，没有精确匹配到问句当天。赋值是控制条件，不是观察到的抓取日志。
3队名没动，采集日对调
论文表 1 拿 595 页里检索长度最短的一条球队字段做输入样例，挑选时没有看模型输出。问句：Jordan Harris（冰球）为哪支球队效力。旧修订 2024-08-30，队名 Columbus Blue Jackets；新修订 2025-07-08，队名 Boston Bruins。问句日期 t0 = 2024-09-01，t1 = 2025-07-16。匹配对调的一侧：旧修订采集日写成 2025-07-16，新修订写成 2025-07-17；另一侧对调这两天。问句、两段球队正文、两个修订时间戳都不动。8 月 2024 和 7 月 2025 的官方转会通告被作者用来核对队名变化，不进模型输入。
这是输入构造，不是该页的逐条输出。595 页上测到的是整池 EM。
| 模型 | 后期 EM 变化（点） | 前期 EM 变化（点） | 只含前期答案（点） |
|---|---|---|---|
| Qwen2.5-7B | −40.1 [−49.4, −30.6] | +38.7 [+29.9, +47.0] | +41.9 [+34.8, +48.9] |
| Phi-4 | −47.3 [−62.2, −32.0] | +45.1 [+31.6, +58.3] | +65.2 [+56.8, +73.5] |
| Mistral-24B | −51.4 [−62.6, −39.9] | +49.8 [+39.0, +60.2] | +51.3 [+40.9, +61.2] |
| Qwen3.5-35B | −37.6 [−44.1, −30.9] | +37.6 [+30.6, +44.4] | +39.5 [+33.5, +45.2] |
| Qwen2.5-72B | −48.7 [−60.2, −36.9] | +44.9 [+34.0, +57.4] | +48.3 [+39.2, +59.4] |
表内是论文表 2：(0, 1) − (1, 0)，595 页、113 个谓词组、原始标记。括号是名义 95% 谓词簇区间。只含前期答案用和 EM 同一套文本归一化，查的是词面别名在不在回复里，原文写不构成蕴涵。
4问句前后、七条提示还掉
595 页里 497 页两份修订时间戳都不晚于 t1 − 1 的午夜。在这 497 页上，把问句当天和前一天对调，问句匹配的那份采集得更晚。五个模型的后期 EM 仍掉 29.0 至 39.6 个点（论文表 3：Phi-4 −29.0，Mistral-24B −39.6）。前期 EM 涨 22.5 至 37.1 个点。单靠「更早采集的那份」解释不了。方向仍有影响：相对同一执行里问句后一天的对照，Phi-4、Mistral-24B、Qwen2.5-72B 的掉幅分别小 17.9、12.4、17.4 个点。
另外 128 页来自不相交的 596 页队列，纯文本显示。问句当天匹配对调掉 38.3 至 53.1 个点。论文表 12 同一次执行的绝对水平：Qwen2.5-72B 在 (1, 0) 为 73.4%，(0, 1) 为 20.3%。595 页的 77.1% / 28.3% 是原始标记，不要和这列纯文本读数放进同一个倍数。
邻近对调（问句后 1 天对 7 天）在 Phi-4、Mistral-24B、Qwen3.5-35B、Qwen2.5-72B 上掉 28.2 至 38.9 个点。Qwen2.5-7B 是 +1.2（区间 −0.5 至 +2.8），尽管匹配对调掉了 40.1。远处日期对调小得多：采集日在两个问句之后数月，(c, c+7) 对 (c+7, c) 在 t0 问句上 0.0 至 6.2 个点，t1 上 0.0 至 2.7 个点。262 页 Temporal Wiki 上三个模型、两个问句年份，邻近效应 −0.2 至 +0.8。大掉幅集中在问句附近的采集日。
同一 128 页、七条提示变体，匹配对调的后期掉幅都还在。原文写「不要按采集时间选版本」之后，掉 37.9 至 50.8 个点；写明摘录是归档修订之后，掉 42.2 至 57.8 个点。改字段名、挪位置、换两套等价定义，五个模型仍掉。归档来源把 Mistral 的掉幅加大 10.2 个点。七条提示不是提示词总体。
128 条虚构记录（总部、教练、维护者、运营者 × 散文/键值 × 16 条）上，后期 EM 掉 92.2 至 95.7 个点，前期涨 91.4 至 96.1。去掉采集字段后，两版本 EM 96.9% 至 100.0%。近天花板的对照让绝对掉幅可以比维基更大，不要和 37.6–51.4 放进同一个倍数。问句日期改成英文月份名（元数据仍是 ISO），128 维基页上仍掉 31.6 至 53.1 个点。
5Qwen3.5 上思考能削，接口模型几乎不动
同一 128 页、两个种子、共享采样和输出上限：Qwen3.5-35B 关掉思考的匹配对调掉 30.1 个点（59.6% 对 29.5%），打开思考掉 11.1 个点（72.1% 对 60.9%）。交互 +18.9，区间 11.1 至 26.5。贪心同一 128 页掉 40.6 个点，和采样不是同一对照。Ministral-3-14B 思考模式掉 13.1，Nemotron-3-Nano 掉 51.8。思考不是统一解药。跨模型比较隔离不了推理。
GPT-6 Astra 和 Claude Fable 5.1 在同一 128 页上各跑高/低力度，2,560 次独立接口请求，作者不加系统消息、不加当前日期、不给历史、不用工具。高力度闭卷 EM：Astra 21.9%，Fable 7.8%。全部 128 页的对调：Astra 高/低 −1.2 / −0.8，Fable −0.4 / −2.3，区间建立不了损失，也建立不了力度交互。区间不含大损失，原文不把它当作等价或在别的设置下稳健。虚构 128 条上两个模型高力度两种赋值都是 100% EM。低力度 Claude 掉 14.1 个点；256 条较低 EM 赋值的回复里，99.6% 仍含后期答案，只含前期的 0.4%（1 条）。这和本地模型改口到前期答案不是同一件事。
128 页上展示观察到的同一采集日 (c, c)，相对去掉字段，后期 EM 低 3.5 至 15.2 个点。这一天距 t1 178 至 755 天。扩展校正后，省略对照还留在 Phi-4、Mistral-24B、Qwen2.5-72B。这是字段、定义和日期值一起改，不是单独的「有没有字段」。
6你的工具结果里有没有采集日
读完要看的是自己的运行位。检索或抓取工具把 retrieved_at、crawlTimestamp、previousScrapeAt 和正文一起交给模型，两份修订同时在上下文里，问句日期又写在提示里：和这篇的主设定同类。论文没有在你的流水线上测过。赋值对调不估计线上差错率。
原文给的审计：正文和修订时间戳不动，按时间上合法的采集日对调，两个顺序都跑，同时记同意率和前期答案含量。问句当天两侧、归档来源都测。相关修订已经在上下文里，元数据仍能改答案。先按修订时间戳挑最新合法版本再生成，595 页、纯文本显示上相对两份修订都给、但不含采集字段，t0 问句 EM 高 15.0 至 30.9 个点（论文表 18）。这条规则假定源身份已知，也可能丢掉后来的更正。
下面是我的推断，论文没有做这步。编辑起点如果把抓取时间戳当成无害书目，还要看它会不会和问句日期撞上。技能记录里如果写了「把工具返回的元数据原样拼进上下文」，这篇给的是开源权重模型上的对调证据。接口模型在维基对调上几乎不动，不能拿来当本地 7B–72B 的对照。
10-11 写过，护栏选项名也是输入。10-19 写过，可见工具列表也是输入。这一篇补的是：采集日期也是输入。证据正文可以一字不改。
7这篇没测到的
- EM 对的是基准参考。编辑可能在记事件，也可能在改错。两种比例原文没给。别名包含查的是词面，不是蕴涵。
- 主实验是英文维基、每页两份修订、每份最多 4,003 字符。赋值掉幅和镜像/缓存故事不估计线上差错率。观察到的采集日只有一天。
- 问句日期匹配对调没有在第二套自然问答数据上做。Temporal Wiki 的年份级问句和更晚修订，做不成时间上合法的精确匹配。
- 虚构记录只有八个固定模板。区间以这些模板为条件。近天花板让绝对掉幅偏大。
- 问句前的邻近对调
(−1, −7)没跑。问句后的邻近对调把「更近」和「更早采集」叠在一起。 - 七条提示不是提示词总体。显式指令和归档来源消不掉测过的对调，原文不排除别的提示写法。
- 匹配对调没有和去掉修订时间戳交叉。线索竞争是行为描述，不是内部权重。
- 三个主队列页不相交，后续会复用页，并受前面结果影响。本地计划在各自输出之前，不是公开预注册。32 页思考对照嵌在 128 页扩展里。
- 配对思考只有 Qwen3.5 一个家族、两个种子。Ministral-3-14B 和 Nemotron-3-Nano 是原生推理配置，没有关掉思考的对照。
- 贪心重跑不保证位运算重现。附录 A 写，分批执行的水平最多差 1.6 个点，对调差最多差 2.3 个点。37.6 至 51.4 是单次执行。
- 接口比较隔离不了模型身份和推理是否打开。Astra 没有关推理的设置；Fable 一直开着自适应思考。每个顺序/力度一次执行。两个力度设置上的小效应不构成等价。
8出处
数字来自预印本 HTML 与 PDF（arxiv.org/html/2610.32191v1，pdf，abs，2026-10-23，未经同行评审）。论文表 1–7、表 12–14、表 18、第 2–6 节、局限、附录 A–D。export.arxiv.org 的 Atom 里 published 为 2026-10-23T05:37:24Z。文中点到的工具文档：Diffbot 日期字段（原文访问 2026-10-13）、Firecrawl scrape 响应（原文访问 2026-10-13）。本轮已核对两页里 crawlTimestamp、previousScrapeAt 字段名存在，没有再核字段名以外的内容。
OpenAI 新闻页本轮经 r.jina.ai 打开过，近几日条目包括在线存储扩容（10-23）、训练环境加固（10-23）、Decisions API（10-22）。据标题判断，没有带这一组分母的采集日期对调，未写入数字。Anthropic 新闻页本轮打开过，10 月 22 日有把 Agent Skills 捐给 Agentic AI Foundation，同样未写入数字。Hacker News 首页（含 10-24 一篇上下文工程综述）、Product Hunt 当日列表、GitHub 当日可见新建仓库未作为数字来源。X、Reddit 今日未覆盖：本机没有可用登录态。
谱系和增量层分别在 递归自改进前世今生 和 冻底座、改脚手架。这篇只加一条：采集日期也是输入；595 页上只对调它，五个开源权重模型的后期精确匹配掉 37.6 至 51.4 个点。