450 शोधकर्ताओं ने बड़े भाषा मॉडल की क्षमताओं का परीक्षण करने के लिए डिज़ाइन किए गए 204 कार्यों की एक सूची संकलित की। अधिकांश कार्यों में, जैसे-जैसे मॉडल बढ़ते गए, प्रदर्शन में अनुमानित रूप से और सुचारू रूप से सुधार हुआ। लेकिन अन्य कार्यों के साथ, क्षमता में उछाल सहज नहीं था। अन्य अध्ययनों में क्षमता में इसी तरह की छलांगें पाई गईं।