该研究提出使用六十甲子周期替代公历年，以解决大型语言模型在长期时间跨度上的时间对齐问题，并采用极坐标模型增强时间理解，显著提升模型在时间相关任务中的表现。实验结果验证了该方法的有效性。

本研究提出了ChronoSense基准，用于评估大型语言模型的时间理解能力。通过16个任务，发现现有模型在处理时间关系和时间算术时存在显著差异，并且依赖于记忆。这为提升模型的时间理解提供了重要依据。

本论文通过构建MenatQA来评估大型语言模型（LLMs）在时间理解和推理能力方面的表现。结果显示，大多数LLMs在处理时间因素时不如更小的时间推理模型，并且对时间偏差敏感，且依赖于问题中提供的时间信息。同时，研究还探索了改进LLMs的潜在策略。

本论文通过构建MenatQA来评估大型语言模型在时间理解和推理能力方面的表现，并测试了不同参数大小的主流LLMs。结果表明，大多数LLMs在处理时间因素时不如更小的时间推理模型，并且对时间偏差的敏感度较高，且严重依赖于问题中提供的时间信息。本文还探索了通过具体提示和外部工具来改进LLMs的潜在策略，为未来的研究提供了有价值的基准或参考。

本文评估了大型语言模型在时间理解和推理能力方面的表现，并测试了不同参数大小的主流模型。结果表明，大多数模型在处理时间因素时不如更小的时间推理模型，并且对时间偏差的敏感度较高。本文还探索了改进模型的潜在策略，为未来的研究提供了有价值的基准或参考。