WhatIf-Bench 揭示时序模型外推短板：新情景成绩降至 -7%-50%

Lacuna Research 团队发布 WhatIf-Bench，以 37,665 个任务评估时序模型的「干预感知」能力。模型读取已见协变量时相对朴素基线的技能分数为 48%-85%，外推至新协变量值后骤降至 -7%-50%，且前沿 LLM 总体表现最好。