在人工智能畛域，LLM 代表“大型语言模型”。当一个 LLM 解决一段文本时，它通常只思考以后的句子，而不思考整个上下文中的工夫或工夫程序。
这种局限性意味着 LLM 无奈解决一些须要思考工夫或工夫程序的工作。例如，如果一个 LLM 被用来预测天气，它可能无奈思考先前的天气预报，这会影响其预测准确性。同样，在一些自然语言解决工作中，如问答零碎和机器翻译，工夫和工夫程序也是十分重要的。
然而，只管 LLM 无奈间接解决工夫和工夫程序，但钻研人员曾经提出了一些技术来帮忙模型解决这些工作。例如，能够应用一种称为“记忆加强”的技术来帮忙模型保留先前的信息，并在解决文本时思考工夫和工夫程序。此外，还有一些特定畛域的 LLM，例如工夫序列预测 LLM，这些 LLM 专门用于解决须要思考工夫程序的工作。
在商务英语中，chronological 通常用来形容按工夫顺序排列的事件、工作或文件。例如，在一份商业计划书中，能够应用 chronological order 列出公司历史上的重要事件和里程碑，以便投资者可能依照工夫程序理解公司的倒退历程。另外，在商务信函或报告中，也经常应用 chronological order 的形式来出现数据、事件或状况的倒退过程，以帮忙读者更好地了解和剖析信息。
以下是一个应用 “chronological” 的商务英语句子：
The financial report should be presented in chronological order, starting with the first quarter and ending with the fourth quarter, so that investors can track the company’s performance over time.
因为 ChatGPT 模型没有对工夫和工夫程序进行建模，因而在答复须要思考工夫因素的问题时可能会呈现谬误或不精确的答案。以下是一个 ChatGPT 可能会出错的例子：
问题：明年圣诞节会是星期几？
ChatGPT 的答复可能会是：“我不晓得。”因为模型没有对日历和时间表进行编码，它无奈辨认 ” 明年圣诞节 ” 与以后工夫的关系。
必须要显式通知其基准日期：