AI2 提问式开题：LLM 能否在长文本中追踪状态变化？
allen_ai · x · 2026-11-04
Allen AI 线程开篇：LLM 能否在长文本中追踪状态变化——物品易手、变量重新赋值？在其新评测 StateBench 上，包括 GPT-6 Sol 与 Claude Opus 5.5 在内的前沿模型在最难最长的问题上准确率跌至 13% 或更低。仓库已开源（allenai/state-bench，Apache-2.0），可从规范赋值轨迹生成可复现的状态追踪评测，并渲染成多种表面形式发布到 Hugging Face。
所属事件:Ai2 发布 StateBench：前沿模型长文状态追踪跌破 13%(7 条相关)→
「研究」频道最新
- Google DeepMind 基因组学团队招 2027 学生研究员，要求熟悉 RL 与后训练 — alexechu_ · 2026-11-04
- SAIL 罕见病 AI 挑战赛开启：把基因诊断变成可执行治疗方案 — zakkohane · 2026-11-04
- 把文件系统编进权重:Qwen3.5-2B 被改造成一台纯模型计算机 — CatAstro_Piyush · 2026-11-04
- D&A 方法让任意 VLM 变身机器人奖励模型，三项基准 SOTA — KyleMorgenstein · 2026-11-04
- 伯克利 Beguš 用 AI 可解释性在鲸鱼交流中发现「元音」类似物 — begusgasper · 2026-11-04
- 开源工具 franken_doppler_finder:靠螺旋桨多普勒曲线定位音视频来源 — doodlestein · 2026-11-04