450 संशोधकांनी मोठ्या भाषेच्या नमुन्यांच्या क्षमतांची चाचणी घेण्यासाठी तयार केलेल्या 204 कामांची यादी तयार केली. बहुतेक कामांमध्ये, मॉडेल्स जसजसे वाढत गेले तसतशी कामगिरी अंदाजानुसार आणि सहजतेने सुधारली. पण इतर कामांच्या बाबतीत, क्षमतेत झालेली झेप सुरळीत नव्हती. इतर अभ्यासांमध्ये क्षमतेत अशाच प्रकारची झेप आढळून आली.