Exploring State Tracking Capabilities of Large Language Models

文章总结与翻译

一、主要内容

本文聚焦大型语言模型（LLMs）的状态跟踪能力，即模型基于一系列观察或输入，持续维护和更新系统状态内部表示的能力。为隔离状态跟踪核心功能与其他干扰因素，作者设计了三个标准化基准任务（LinearWorld、HandSwap、Lights），通过控制实验评估了不同代际、不同规模LLMs在不同更新深度（最多10步）下的表现，并分析了思维链（CoT）、实体数量、更新类型等因素的影响。

核心发现包括：

1. 新一代大模型（GPT-4o、Llama3 70B）在状态跟踪任务中表现优异，尤其结合CoT后能在深层更新中保持高准确率；
2. 旧代模型（GPT-3.5、Mixtral）和小型模型（Llama3 8B）在更新深度超过2步后性能显著下降，但能理解任务本身；
3. CoT通过将输入窗口作为临时记忆存储中间状态，大幅提升模型状态跟踪能力；
4. 模型在整数位移类更新任务中的表现优于实体交换类任务，且对数学运算的熟练度与状态跟踪性能相关。

二、创新点

1. 构建了三个结构清晰、可复现的基准任务，通过简化场景和控制变量，精准隔离状态跟踪能力的评估，可作为LLM部署时的合理性检验工具；
2. 系统分析了模型规模、更新深度、CoT机制、任务类型等多因素对状态跟踪的影响，揭示了不同代际LLMs在该能力上的关键差异；
3. 发现LLMs可通过自然语言训练天然习得一定状态跟踪能力，且CoT能有效弥补Transformer架构在串行任务处理上的固有局限；
<