एक नई अध्ययन ने "ज्ञान-उपयोग अंतर" की पहचान की, एक घटना जहाँ बड़े भाषा मॉडल फाइन-ट्यूनिंग तथ्यों को याद रखते हैं लेकिन निम्नलिखित तर्क कार्यों में उन्हें लागू करने में विफल रहते हैं। लेखकों ने याद रखने और सामान्यीकरण के बीच सटीकता की कमी और समय अंतराल के माध्यम से इस अंतर को परिभाषित किया है।
शोधकर्ताओं ने अनदेखे डेटा के साथ फाइन-ट्यूनिंग के दौरान आंतरिक ज्ञान प्रसार गतिशीलता की निगरानी करने के लिए स्वयं-मरम्मत नामक एक नवीन हस्तक्षेप तकनीक का उपयोग किया। यह विधि विशिष्ट सक्रियण स्थानों की पहचान करती है जहाँ प्रतिनिधित्व को पुनः स्थानांतरित करने से असफल सामान्यीकरण मामलों में महत्वपूर्ण सुधार होता है, जिससे यह परिकल्पना का समर्थन मिलता है कि याद रखे गए प्रतिनिधित्व मौजूद हैं लेकिन गणनात्मक रूप से प्रभावी परतों तक रूट नहीं किए जाते। इसका समाधान करने के लिए, उन्होंने एक हेयुरिस्टिक रणनीति डिजाइन की जो संभावित सामान्यीकरण सुधार का 58--75% पुनर्स्थापित करती है।
परिणाम दर्शाते हैं कि संग्रहीत ज्ञान और गणना मार्गों के बीच असंगति फाइन-ट्यूनिंग विफलताओं में एक प्रमुख कारक है, जो विभिन्न डोमेन में मॉडल उपयोगिता को बढ़ाने के लिए एक निदान दृष्टिकोण प्रदान करती है।