AllenAI 推出 StateBench 评测长文档状态追踪能力
热点事件持续更新
AllenAI 推出 StateBench 评测长文档状态追踪能力
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
AllenAI 推出了名为 StateBench 的评测基准，用于评估语言模型在长文档中追踪实体状态变化的能力，该基准包含四个难度级别。研究发现，当输入长度增加时，Gemini 3.8 Flash、Claude Opus 5.5 以及 GPT-6 Sol 和 Luna 等前沿模型在较难的状态追踪任务中表现均出现了性能下降。
AI 根据报道生成 · 2 小时前更新
最新进展11月4日 01:15
StateBench：测试语言模型如何在长文档中追踪状态变化报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- Hugging Face 社区博客StateBench：测试语言模型如何在长文档中追踪状态变化
AllenAI 推出了 StateBench，这是一个用于评估长上下文状态追踪能力的基准，包含四个复杂度的难度级别。研究发现，当输入变长时，Gemini 3.8 Flash、Claude Opus 5.5 以及 GPT-6 Sol 和 Luna 等前沿模型在较难的状态追踪形式上依然表现出性能下降。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。