近日，一篇名为《时间胶囊：作为历史意义构建方法的生成性幻觉》的论文在arXiv上发表，提出了一种新颖的AI模型，专门用于理解和生成维多利亚时代的文本。该模型名为TimeCapsule，拥有12亿参数，基于LLaMA架构，其独特之处在于训练数据完全来自1800年至1875年的维多利亚时期文本，从而构建了一个在时间上隔离的生成档案。
传统的大语言模型由于广泛接触当代语料，往往会将现代概念带入历史语境，成为不可靠的历史叙述者。TimeCapsule通过限制训练数据范围，避免了这种时间上的过度暴露。研究者表示，这种对未来的结构性无知将模型的幻觉转变为探索十九世纪本体论的解释工具。
在定量评估中，TimeCapsule在维多利亚散文的测试集上相比GPT-2基线实现了45.4%的困惑度降低，显示了其在历史文本建模方面的有效性。然而，更大的现代因果模型通过更广泛的预训练获得了更低的原始困惑度，但缺乏时间隔离性。
值得注意的是，该模型展现了一种计算意义上的意义构建能力，能够为陌生的现代概念生成历史合理的类比解释。例如，它将计算机描述为一种'肥大的肺'，这种比喻反映了维多利亚时代的认知框架。研究者还进行了一项定性解释学探针实验，邀请两位人文学者参与。他们被要求区分真实维多利亚文本片段和TimeCapsule生成的文本，结果令人震惊：约40%的真实维多利亚文本被误认为是机器生成的。这一发现揭示了在历史文本生成中存在的真实性危机，也表明即使是专家也难以辨别高度逼真的仿历史内容。
总的来说，TimeCapsule不仅为历史研究提供了新的工具，也引发了关于AI在历史叙事中角色的深刻思考。通过有意识地限制模型对未来的知识，研究者将通常被视为缺陷的幻觉转化为一种富有成效的解释性探针，为理解历史本体论开辟了新的路径。该研究已被2026年创造力与认知会议（C&C '26）接收。