StateBench 发布：测试语言模型在长文档中的状态跟踪能力

AI2 团队推出 StateBench，一个按四级难度评估语言模型在长文档中跟踪实体信息变化的基准。测试显示，Gemini 3.8 Flash、Claude Opus 5.5 和 GPT-6 Sol、Luna 在较难的可解与一般有限问题上，随输入变长准确率急剧下降，最长的 general finite 问题降至 13% 或更低。