StateBench：测试语言模型在长文档中的状态追踪能力
Hugging Face 推出长上下文状态追踪评测基准 StateBench，用于评估语言模型在长文档中跟踪实体状态变化的能力。该基准设 R-trivial、Aperiodic、Soluble 和 General finite 四个难度级别。
#Hugging Face
Hugging Face BlogAI 评分4848
Hugging Face BlogAI 评分5757 Collinear AI 发布网络安全评测基准 CWE-bench v2
Collinear AI 正式发布网络安全基准 CWE-bench v2，开源包含 100 个真实开源仓库任务的公开测试集，用于评测 AI 智能体发现并修复安全弱点的能力。