StateBench：测试语言模型如何在长文档中追踪状态变化

AI 导读

研究者推出 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，按 R-trivial、Aperiodic、Soluble、General finite 四个难度级别构建。

回到原文

这里保留短导读，不转载来源网站的完整正文。具体表述和后续更新请以原文为准。