StateBench

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。