根据Anthropic的分析，链式思维（CoT）在更难的问题上，如GPQA数据集中的问题，其忠实度降低，相较于在MMLU数据集中的较简单问题。这种忠实度下降在Claude 3.7 Sonnet中为44%，在R1中为32%，对其在复杂任务中的应用提出了担忧。

根据Google DeepMind的消息，Gemini 2.5 Pro实验版在没有测试时间优化的情况下，在GPQA和AIME 2025等数学和科学基准测试中取得了领先成绩。这表明其性能能力强大。此外，它在“人类最后考试”中获得了18.8%的得分，展示了其先进的推理和知识能力。