每个事实携带三个时间戳。

扁平向量索引将语料库视为每个事实同等最新。当品牌合作伙伴询问六个月前数据所显示的内容（即他们做出春季采购决策时）时，这种方式就会失效。平台运行 bi-temporal 模型。智能矩阵中的每个事实携带三个独立的时间戳。

learned_at 记录系统观察到该事实的时间，即对话被丰富化的日期。valid_at 记录该事实在现实世界中何时成为真实，通常从对话中推断（「我从去年秋天开始注意到这一点」将 valid_at 设置为当年约十月）。invalid_at 记录事实停止为真的时间。当相互矛盾的对话到来时，它被明确设置；当没有刷新确认该事实时，它通过半衰期衰减被隐式设置。

这三个时间戳合在一起，使一个语料库能够针对同一数据集，在不重新运行分析的情况下，回答关于现在的问题和关于特定过去时刻的问题。

品牌合作伙伴今天运行一个查询。结果是语料库的当前状态，按其范围过滤。同一品牌合作伙伴带着「截至五月」参数运行相同查询。结果是语料库在那个五月的状态，按其范围过滤。两个答案都是正确的。两者都引用回产生它们的对话。两者都不需要重新运行丰富化流水线。

这使该层在品牌合作伙伴合同中可承保。工具返回今天的最佳猜测。基础设施返回买家在决策日期所拥有的答案。当品牌合作伙伴根据第二季度为之付费的数据审计其第二季度采购决策时，平台向其展示他们在第二季度查看的相同数据。这正是品牌合作伙伴 SLA 所依赖的属性。

推荐「跳过粉底，试试精华」的美妆顾问副驾驶，需要基于有效期窗口包含今天的事实。如果该事实在三月为真，在九月被推翻，副驾驶不得依据三月的版本行动。bi-temporal 模型在检索层强制执行这一点。不带 as-of 参数的查询会排除任何 invalid_at 早于今天的事实。拒绝在检索 API 中体现。

同样的属性保护仪表板。询问「我们的顾问对新香水有何看法」的运营商会得到当前答案。历史答案只需一个额外参数即可获取。两者都标注了其有效期窗口。

衰减不是应用于整个语料库的单一全局速率。十个维度以不同速度变化，模型为每个维度校准一个半衰期。以下校准是基于两年工作的已发布基线。每个行业纵向在自己的语料库上对其进行细化。

半衰期可按行业纵向调整。药店部署对监管和合规事实保持的半衰期比零售部署更长，因为监管变化的节奏比消费者偏好的节奏更慢。半衰期是方法论的一部分，随部署交付。

半衰期是基线。三个信号使单个事实的衰减偏离基线。显著性。百分之一的顾问提及的痛点衰减快。四十人提及的痛点衰减慢。跨独立对话的佐证计数是事实上的一等属性。时近性压力。即使没有相互矛盾的证据到来，数个半衰期周期未刷新的事实也会失去检索权重。相互矛盾的证据。相互矛盾的新事实会加速旧事实的衰减。旧事实要么被无效化，要么被拆分为仍然成立的细分范围变体。

拆分情况使模型保持诚实。关于某品牌的声明，在整体上可能停止为真，而对某个细分仍然为真。bi-temporal 模型和细分向量在这里协同工作。事实不会被删除，而是被限定在它仍然适用的地方。

Bi-temporal 有效性不仅是分析属性，也是商业属性。仪表板向运营商呈现陈旧性时钟：「您百分之三十七的品牌感知事实在过去六十天内已超出有效期。」这句话是 Refresh 层的经济理由，由模型自动浮现。运营商看到衰减。Refresh 层（每追加一百次对话 6,000 美元）将衰减转化为商业事件。

Refresh 的完整经济学，包括节奏与定价层级的互动，详见 Refresh 经济学。仪表板界面本身位于 Platform。