热点事件观察中
StateBench测试长文档状态追踪能力
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年11月4日，AllenAI在Hugging Face Blog发布StateBench长上下文基准，用四个难度等级测试语言模型跟踪长文档中实体状态变化的能力。测试显示，Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol和Luna在更高难度任务中，准确率会随输入长度增加而明显下降；在最长的general finite任务上，准确率降至13%或更低。
AI 根据报道生成 · 1 天前更新
最新进展11月4日 01:15
AllenAI发布StateBench，测试显示模型长文档状态追踪能力明显下降。报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- Hugging Face Blog精选StateBench 测试语言模型在长文档中的状态跟踪能力
AllenAI 发布 StateBench 长上下文基准，用四个难度等级测试语言模型跟踪长文档中实体状态变化的能力。测试显示，Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在更难任务上随输入变长明显下降，最长 general finite 任务准确率降至 13% 或更低。
本事件热度走势
当前热度 5·可比范围峰值 10（11月4日 03:00）·近 24 小时可比范围变化 -50%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。