一句话看懂：艾伦人工智能研究所（Ai2）于2026年11月3日发布StateBench，用四个难度层级评估大模型在长文档中追踪实体状态变化的能力；结果显示Claude、Gemini、GPT等前沿模型在复杂形式下仍会随上下文变长而失效。
事件核心：发生了什么
StateBench聚焦“长上下文状态追踪”，即模型能否在长文档中持续跟进某个对象的信息变化，比如代码里变量被反复赋值、小说里凶器几经转手。基准按理论上的复杂度分四级：R-trivial只记初始值；Aperiodic需取最新一次赋值；Soluble要求执行“x = x + 5”式的自引用更新；General finite则支持“x = y”这类引用赋值，典型例子是五个杯子下藏球并反复换位。四级题目由同一序列派生，变量数量与赋值位置一致，只改变赋值类型，便于横向比较。
为什么重要
状态追踪直接关联代码理解、长文阅读和智能体任务执行。素材指出，Transformer在长依赖链上的状态追踪存在已知理论局限，这也是循环和混合架构（如Gated DeltaNet）兴起的动因。此前测试多集中在最难情形，StateBench补上了“从简单到困难”这一维度，对判断架构取舍更有参考价值。
对用户/开发者/创作者的影响
开发者选型时可据此关注：在超长文档、长代码库或多轮工具调用场景中，纯Transformer方案可能更早出错。根据目前公开信息，在直接针对这些任务训练时，循环与混合模型能比Transformer泛化得更远；Claude Opus 5.5、Gemini 3.8 Flash和GPT-6 Sol/Luna等闭源模型在更复杂层级上仍会失败。创作者用大模型处理长篇素材时，也应对跨段落事实一致性保持复核习惯。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是StateBench是否会成为开源社区常用的评测入口，数据与代码已同步公开（Tech Report、Data、Code）；二是闭源厂商是否会在后续版本中针对状态追踪做专项优化；三是循环与混合架构的评测优势能否在真实应用、而不只是合成任务中得到验证。
