一项名为StateBench的新基准测试显示,领先的大型语言模型在跟踪长文本中的状态变化方面存在困难。在最具挑战性的长场景中,GPT-6 Sol和Claude Opus 5.5等前沿模型仅取得了13%或更低的准确率。此次评估凸显了当前大型语言模型在长期上下文和状态跟踪方面的重大局限性。 AI
影响 凸显了大型语言模型在保持上下文和跟踪长期交互中的状态方面的关键局限性,可能影响需要长期记忆的应用。
排序理由 该项目描述了一个用于评估大型语言模型的新基准,属于研究范畴。[lever_c_demoted from research: ic=1 ai=1.0]
在 Bluesky Jetstream — AI desk 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →