450 محققین نے 204 کاموں کی ایک فہرست مرتب کی جو زبان کے بڑے نمونوں کی صلاحیتوں کی جانچ کے لیے بنائے گئے ہیں۔ زیادہ تر کاموں پر، جیسے جیسے ماڈلز میں اضافہ ہوتا گیا کارکردگی میں پیش گوئی کے مطابق اور آسانی سے بہتری آتی گئی۔ لیکن دوسرے کاموں کے ساتھ، صلاحیت میں چھلانگ ہموار نہیں تھی۔ دیگر مطالعات میں صلاحیت میں اسی طرح کی چھلانگ پائی گئی۔