Новый бенчмарк измеряет, как модели держат в голове изменения сущностей в длинных документах. Даже Gemini 3.8 Flash, Claude Opus 5.5 и GPT-6 Sol и Luna ломаются на сложных цепочках изменений. Источник: https://huggingface.co/blog/allenai/statebench — 3 ноября
Опубликовано вИИ