热点事件观察中

AllenAI发布StateBench状态跟踪基准，评测长文档状态追踪能力

1 篇报道1 个报道来源2 天前更新

先了解这件事

AI 综述

AllenAI（Olmo 团队）发布 StateBench 基准，评测语言模型在长文档中追踪实体状态变化的能力，按 Krohn–Rhodes 理论划分四级难度，数据与代码已开放。评测显示：直接训练下 Gated DeltaNet 与混合架构在数万条赋值序列上泛化近乎完美，而 Transformer 始终学不会最难的 general finite 级；Gemini 3.8 Flash、Claude Opus 5.5 与 GPT-6 Sol 和 Luna 在最长 general finite 问题上准确率降至 13% 或更低。

AI 根据报道生成 · 9 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

11月4日

01:15
Hugging Face Blog精选
AllenAI 发布 StateBench：评测语言模型在长文档中的状态追踪能力
AllenAI（Olmo 团队）推出 StateBench 基准，按四级难度评测语言模型在长文档中追踪实体状态变化的能力，分级依据 Krohn–Rhodes 理论。直接训练下 Gated DeltaNet 与混合架构在数万条赋值序列上泛化近乎完美，Transformer 始终学不会最难的 general finite 级；Gemini 3.8 Flash、Claude Opus 5.5 与 GPT-6 Sol 和 Luna 在最长 general finite 问题上准确率降至 13% 或更低。数据与代码已开放。

本事件热度走势

可比范围当前: 4
可比范围峰值: 511月5日 05:00
近 24 小时变化: –

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。