يقترح الباحثون فرضية الاستدلال الأقل-هو-الأكثر، موضحين أن الاستدلال الرياضي المعقد في نماذج اللغة الكبيرة يمكن أن ينشأ من أمثلة قليلة مصممة استراتيجيًا بدلاً من مجموعات البيانات الضخمة. من خلال ضبط دقيق خاضع للإشراف بسيط، حقق نموذجهم LIMO دقة بنسبة 63.3% على AIME24 و95.6% على MATH500.
- يتفوق على النماذج التي خضعت لضبط دقيق سابقًا بنسبة 6.5% على AIME24 و59.2% على MATH500 بينما يستخدم فقط 1% من بيانات التدريب المطلوبة بالنهج السابقة.
- يُظهر تعميمًا قويًا خارج التوزيع مع تحسن مطلق بنسبة 45.8% عبر معايير تقييم متنوعة، متفوقًا على النماذج المدربة على بيانات أكثر بمئة مرة.
تشير النتائج إلى أن الاستدلال المعقد في النماذج الأساسية ذات المعرفة المُدربة مسبقًا الشاملة يُستحث بواسطة اكتمال قاعدة المعرفة هذه وفعالية أمثلة ما بعد التدريب كنماذج إدراكية.