Allen AI 提出 StateBench 评测前沿 LLM 的长文本状态追踪能力

Allen AI 提出 StateBench 基准，以四级难度测试 LLM 在长文本中追踪物品易手和变量重新赋值等状态变化。难度从记住生日等固定信息的 r-trivial，递增到追踪被反复换位物品的 general finite；包括 GPT-6 Sol 与 Claude Opus 在内的前沿模型表现不佳。