StateBench：评测语言模型在长文档中追踪状态变化的能力

AllenAI 发布 StateBench 基准，用于评测语言模型在长文档中追踪实体状态变化的能力。基准包含四个难度层级；测试显示，Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 GPT-6 Luna 在最长的 general finite 任务上准确率降至 13% 或更低，而直接训练的 Gated DeltaNet 与混合模型在部分层级上泛化更远。