StateBench：测试语言模型追踪长文档状态变化的能力

Hugging Face 发布 StateBench 基准，用于评估语言模型在长序列中追踪实体状态变化的能力，并比较不同架构在四种复杂度任务上的表现。预训练模型和前沿模型在输入变长时都可能在较难任务上失准；直接用任务训练时，Gated DeltaNet 和混合架构在部分任务上可泛化至训练序列长度的数万倍，而 Transformer 未能学会最难的通用有限状态追踪任务。