450 સંશોધકોએ મોટા ભાષાના નમૂનાઓની ક્ષમતાઓનું પરીક્ષણ કરવા માટે રચાયેલ 204 કાર્યોની યાદી તૈયાર કરી. મોટાભાગના કાર્યો પર, જેમ જેમ મોડેલ્સમાં વધારો થતો ગયો તેમ તેમ પ્રદર્શનમાં અનુમાનિત અને સરળતાથી સુધારો થયો. પરંતુ અન્ય કાર્યો સાથે, ક્ષમતામાં ઉછાળો સરળ ન હતો. અન્ય અભ્યાસોમાં ક્ષમતામાં સમાન ઉછાળો જોવા મળ્યો હતો.