在人工智能领域，语言模型的发展日新月异，尤其是大型语言模型（LLM）的广泛应用，极大地推动了自然语言处理技术的进步。然而，主流的语言模型通常依据现代庞大的跨时空数据训练，这样虽然保证了其广泛适用与高效表现，但也不可避免地带来了现代偏见和后设知识的混杂。为此，科研人员与开发者逐渐开始关注如何让语言模型“回归过去”，利用特定历史时期的数据专门训练，从而减少现代信息的干扰，让模型在语言文化、表达方式和思维方式上更真实地再现那个时代的特点，这就是所谓的“Selective Temporal Training”（选择性时间训练）理念。 选择性时间训练是通过限定训练语料来源于某个特定的时间范围和地理区域，确保模型学习内容严格对应该时期的语言和知识体系。这种训练方法最大的优势在于避免现代信息的渗透，使模型能够完全沉浸于历史语境，获得更纯粹的时代语言风貌和世界观。举例来说，一款专门以19世纪伦敦1800年至1875年的文献为训练数据的语言模型，可忠实反映该时期的写作风格、词汇应用和社会认知，甚至模拟当时的思想表达方式，而不夹带现代的概念和表达习惯。
传统语言模型多基于现代大规模文本，如新闻、网络文章、书籍和社交媒体等综合数据，经训练后对现代语义理解准确度极高，但往往难以排除潜藏在训练数据中的现代偏见和预设观点。相比之下，基于历史特定时期数据的训练目标明确，这不仅有助于研究人员深入研究历史语言的演变，还能为文化传承和历史教学提供创新工具。此外，这类模型还能为影视制作、游戏设计、虚拟现实及博物馆等行业提供更加真实的语言环境复刻支持。 在实际应用中，这种基于时间限制的训练存在技术挑战。首先，训练所需数据的收集与精炼需高度规范，数据多来源于公共领域的旧书籍、法律文献、报纸期刊等，但其中常伴随光学字符识别（OCR）错误及文献注释干扰，需要耗费大量时间进行清洗和校正。其次，由于往往数据规模较现代语料库小，训练模型的性能和语义连贯性也会受到制约，比如早期模型输出可能出现语法和逻辑欠佳的情况。
随着模型规模扩大与数据质量提升，这些问题逐渐得到缓解。 以TimeCapsule LLM项目为例，初期v0版本模型的参数仅为1600万，训练数据约187MB，其表现为基本模拟19世纪早期的语言风格，但句子偶尔显得杂乱无章。到了v0.5版本，随着数据集扩充到435MB和模型参数增至1.23亿，文本输出更趋规范，能够明显看出维多利亚时代的写作特色，句法和标点符号使用更加契合当时惯例。v1版本更进一步，数据量达到6.25GB，模型参数增至7亿，不仅在语言风格上保持高度一致，还能准确关联历史事件与人物，显示出一定的通过数据记忆进行事实推理的能力，这证明逐步接近了历史真实性的模拟目标。 此类模型对于学术界亦具重要价值，能够为历史语言学家提供分析特定时期用语变化及话语方式的工具；同时，文学研究者也可通过模型得到对历史文学作品风格的自动化解析与生成辅助。更进一步，历史模拟游戏或交互式叙事产品可以利用其赋予角色更具历史感的语言表达，增强沉浸式体验感。
教育领域，可配合历史课程设计，通过模拟历史人物对话，帮助学生更直观理解时代背景和文化细节。 尽管基于特定历史时期的数据训练模型带来了诸多好处，但也需面对固有的局限。一方面，局限于古老文本的语义涵盖面狭隘，难以涉及广泛的现实知识；另一方面，历史文献的偏差也可能被模型继承，例如当时的社会歧视、不平等观念，这就需要研究者在模型设计阶段予以审慎考虑和调控。此外，数据处理的自动化水平影响模型质量，纯人工清洗的成本极高，不可避免地限制了训练规模的快速扩展。 未来，随着更多历史语料的数字化和高质量注释技术的发展，结合多模态数据（如图像、音频）及更先进的模型架构，基于一定时间窗口训练的语言模型将具备更强的历史情境复现力和推理能力。围绕如何平衡历史真实性与信息完整性、如何克服数据噪声、如何解决知识时代脱节问题，将成为研究重点。
此外，多地区、多语言的历史时间训练也将推动跨文化比较研究和语言进化追踪，为多元文化的理解和传承贡献力量。 总的来说，随着选择性时间训练理念的兴起，语言模型研究进入了一个更专注于时间向度的创新阶段。通过专注于特定历史时期的数据构建，模型不仅可以减少现代偏见，实现纯粹且生动的时代语言再现，也为文化传承、教育培训、历史研究及创意产业提供了全新可能。这一趋势凸显了人工智能在服务人文社会科学领域持续深入的潜力，展现出技术与历史融合创新的美好前景。未来，我们期待更多深耕史料、优化模型策略的探索，为历史语言模型注入更加丰富的智慧与生命。
