450 জন গবেষক বড় ভাষার মডেলের সক্ষমতা পরীক্ষা করার জন্য পরিকল্পিত 204টি কাজের একটি তালিকা তৈরি করেছেন। বেশিরভাগ কাজে, মডেলগুলি বাড়ার সাথে সাথে পারফরম্যান্স পূর্বাভাসযোগ্যভাবে এবং মসৃণভাবে উন্নত হয়। কিন্তু অন্যান্য কাজের ক্ষেত্রে, দক্ষতার লাফ মসৃণ ছিল না। অন্যান্য গবেষণায়ও একই ধরনের সক্ষমতা পাওয়া গেছে।