รายงานการวิจัยจาก Apple ที่ตีพิมพ์เมื่อวันที่ 6 มิถุนายนระบุว่าถึงแม้ว่ารูปแบบการใช้เหตุผลขนาดใหญ่ (LRMS) แสดงให้เห็นถึงประสิทธิภาพที่ดีขึ้นในการวัดประสิทธิภาพ แต่พวกเขาก็ดิ้นรนกับความแม่นยำเมื่อปัญหามีความซับซ้อนมากขึ้น
นักวิจัยเลือก Claude 3.7 Sonnet และ Deepseek-V3 จากแบบจำลองภาษาขนาดใหญ่และโคล้ดู 3.7 Sonnet ด้วยการคิดและ Deepseek-R1 จากแบบจำลองการใช้เหตุผลขนาดใหญ่