StateBench 发布：评估长文档中语言模型状态追踪能力 AI2 团队发布 StateBench 基准，用于测试语言模型在长文档中追踪实体状态变化的能力。该基准基于 Krohn-Rhodes 理论划分了四个难度层级，从不可变赋值到复杂的引用赋值。测试显示，T... 资讯# AI生成# StateBench# 模型评估 2周前140
