대규모 언어 모델 (Large Language Models) 은 일반 지식 기반 질문 답변에서 강력한 추론 능력을 입증해 왔습니다. 그러나 시간 정보 처리 능력은 여전히 제한적입니다. 이 한계를 해결하기 위해 기존 접근법들은 주로 외부 도구나 수동 검증을 활용하며 특정 시나리오에 맞춤화되어 있어 일반화 성능이 낮습니다. 또한 이러한 방법들은 모든 질문에 대해 고정된 파이프라인을 적용함으로써,不同类型的의 시간적 질문이 서로 다른 추론 전략을 필요로 한다는 점을 간과합니다. 이로 인해 단순한 경우에는 불필요한 처리가 발생하고 복잡한 경우에는 부적절한 추론이 이루어집니다. 이를 위해 우리는 입력 컨텍스트에 기반하여 추론 단계를 동적으로 실행하는 적응형 시간적 추론 (Adaptive Temporal Reasoning) 방법인 AdapTime 을 제안합니다. 구체적으로, AdapTime 은 LLM 플랜너 (LLM planner) 가 추론 과정을 안내하며 reformulate(재구성), rewrite(재작성), review(검토)라는 세 가지 시간적 추론 행동 (temporal reasoning actions) 을 포함합니다. AdapTime 은 최신 대규모 언어 모델과 원활하게 통합되어 외부 지원 없이도 그들의 시간적 추론 능력을 크게 향상시킵니다. 광범위한 실험 결과, 본 접근법의 효과성이 입증되었습니다.