450 शोधकर्ताहरूले ठूला भाषा मोडेलहरूको क्षमताहरू परीक्षण गर्न डिजाइन गरिएका 204 कार्यहरूको सूची सङ्कलन गरे। धेरैजसो कार्यहरूमा, मोडेलहरू बढ्दै जाँदा प्रदर्शन अनुमानित रूपमा र सहज रूपमा सुधार भयो। तर अन्य कार्यहरूको साथ, क्षमतामा जम्प सहज थिएन। अन्य अध्ययनहरूले क्षमतामा समान उछाल फेला पारे।