يقدم الباحثون CDR-Bench، وهو معيار مصمم لتقييم ما إذا كانت النماذج اللغوية الكبيرة يمكنها تنفيذ وصفات تنقية البيانات متعددة الخطوات مباشرة وبأمانة حيث تكون التركيب والترتيب مهمين. يتميز المعيار بـ 3462 مهمة عبر أربعة مجالات و29 مشغلاً، باستخدام مخرجات مرجعية حتمية للتقييم الدقيق.
- أظهرت التجارب على أكثر من 10 نماذج لغوية كبيرة متقدمة أنماط فشل متسقة في الإعدادات التركيبية.
- تتدهور الأداء بشكل حاد عندما تتطلب المهام التركيب، وتنهار معدلات النجاح للوصفات الحساسة للترتيب.
- يعزل المعيار تحرير النص عن تنفيذ الكود لاختبار الأمانة الإجرائية بشكل محدد.
تشير هذه النتائج إلى أن النماذج الحالية تفتقر إلى الأمانة الإجرائية اللازمة لتنقية البيانات التركيبية الموثوقة.