StateBench基准测试模型长文档状态追踪能力

研究者推出StateBench，用于评估语言模型在长文档中追踪实体状态变化的能力，覆盖从简单到复杂依赖链的任务。结果显示，直接训练时循环与混合架构的泛化范围明显超过Transformer，前沿模型如Gemini 3.8 Flash、Claude Opus 5.5也被纳入评测。

• 预印本：来源归属如何影响大模型对论证的评估2026-11-04
• 用户借Claude手改Gemma神经元优化意大利语翻译2026-11-03
• Claude Opus 5.5可绘制报批级建筑图纸2026-11-02
• Anthropic为Claude新增禁止复制游戏规则2026-11-02
• Minecraft实验：50个AI智能体协作失灵2026-11-02