본 논문은 시간적 추론 능력 향상을 위해 대규모 언어 모델(LLM)에 TISER 프레임워크를 제안합니다. TISER는 타임라인 구성과 반복적인 자기 반성을 결합한 다단계 프로세스를 통해 LLM의 시간적 추론 능력을 향상시킵니다. 테스트 시간 스케일링을 활용하여 추론 과정의 길이를 늘림으로써 복잡한 시간적 의존성을 더 효과적으로 포착하고, 추론 정확도 향상과 추론 과정의 추적성 개선을 동시에 달성합니다. 실험 결과, 여러 벤치마크(out-of-distribution 테스트 세트 포함)에서 최첨단 성능을 달성했으며, 작은 오픈소스 모델이 어려운 시간적 추론 작업에서 더 큰 폐쇄형 모델을 능가하도록 지원함을 보여줍니다.
