تشير الأبحاث الأخيرة إلى أن نماذج اللغة قد تقوم بتوليد تفسيرات مقنعة لقراراتها، إلا أن هذه التفسيرات لا تعكس دائمًا طريقة تفكير النموذج الداخلية بدقة. في إطار سعيها لتحقيق المزيد من الثقة في نتائج الذكاء الاصطناعي، يقترح الباحثون مفهوم "التحقق المرتبط بالتفكير"، وهو إطار عمل يقوم بإضافة مزاعم داخل سلسلة التفسيرات ويقوم بتدريب رأس إضافي للتنبؤ بمخرجات نماذج التحقق البرنامجي من الحالات المخفية.

تكشف النتائج عن فجوة مثيرة بين القابلية لفهم المعلومات ودقتها: حيث تجعل التدريبات المتعلقة بالاتساق المعلومات القابلة للفهم، لكن ذلك لا يضمن أن التوليد سيكون دقيقًا. على سبيل المثال، في نموذج LeanCheck، حققت مزاعم فقط وبيانات الإثبات فصلًا مثاليًا تحت نزاع مضاد. فيما يتعلق بنموذج KataGo (محرك لعبة Go)، كانت دقة تحديد سلالات الفوز 81% وفقًا لمدخلات التعليق. ومع ذلك، عند تطبيق النموذج على البرمجة، حقق نموذجنا ارتباطًا يصل إلى 98.6%، لكن التفسيرات التي تم توليدها كانت غير موثوقة، حيث كانت النصوص سلسة مع مزاعم منظمة صحيحة، لكنها وصفت خوارزميات غير ذات صلة.

تظهر المقارنات بين نماذج التحسين المسبق والنماذج التي تم إنشاؤها من الصفر أن الفجوة ليست ناتجة عن سعة النموذج. بينما تكشف تقنيات تنشيط التركيب الاصطناعي عن تأثير سبب معين على هذه الفجوات. كما يُظهر تحليل دقيق أن فقدان الاتساق يعود بالفائدة بشكل أكبر على المزاعم المُفصلة بدلاً من البسيطة. هذه النتائج تثبت أن فقدان الاتساق أداة فعالة للتشخيص وشكل التمثيل، لكنها ليست كافية لضمان التفكير الدقيق.