Sebuah makalah penelitian dari Apple yang diterbitkan pada 6 Juni menyatakan bahwa meskipun model penalaran besar (LRM) menunjukkan peningkatan kinerja pada tolok ukur, mereka berjuang dengan akurasi ketika masalah menjadi lebih kompleks.
Para peneliti memilih Claude 3.7 Sonnet dan Deepseek-V3 dari antara model bahasa besar dan soneta Claude 3.7 dengan Thinking dan Deepseek-R1 dari antara model penalaran besar.