热点事件观察中
Hugging Face 发布 StateBench 测试长文档状态跟踪
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
2026年11月4日，Hugging Face 发布 StateBench 基准测试，用于评估语言模型在长文档中跟踪实体状态变化的能力。该基准将任务划分为四个复杂度等级。测试结果显示，Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在更复杂的状态跟踪任务中，准确率会随输入长度增加而明显下降；在最长的一般有限问题上，准确率降至13%或更低。
AI 根据报道生成 · 2 天前更新
最新进展11月4日 01:15
StateBench 测试显示，多款模型长文档状态跟踪准确率最低降至13%或更低。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 基准测试语言模型在长文档中跟踪状态变化的能力
Hugging Face 发布 StateBench，用于评估语言模型在长文档中跟踪实体状态变化的能力，并将任务分为四个复杂度等级。测试显示，Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在更难的状态跟踪任务上随输入变长而明显退化，最长的一般有限问题准确率降至 13% 或更低。
本事件热度走势
当前热度 3·可比范围峰值 9（11月4日 04:00）·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。