Les chercheurs de la division Apple Machine Learning Research ont déclaré que l'exécution de tâches avec un horizon de planification étendu dans les grands modèles de langage reste instable, même en présence de stratégies de haut niveau. L'analyse de puzzles algorithmiques contrôlés a montré que bien que la décomposition des tâches en parties soit nécessaire pour la robustesse, leur décomposition excessive crée un effet de « goulot d'étranglement sans récupération ». Dans cet état, les erreurs sur plusieurs étapes complexes deviennent irréversibles en raison d'une distribution extrêmement inégale des imprécisions.

Pour résoudre ce problème, les auteurs de l'étude ont proposé une nouvelle approche appelée Lookahead-Enhanced Atomic Decomposition (LEAD). Cette méthode vise à surmonter la barrière identifiée, permettant aux modèles d'éviter les situations d'impasse où des erreurs séquentielles sur des étapes critiques rendent impossible l'atteinte ultérieure de l'objectif.

Les données présentées reposent exclusivement sur les métadonnées de l'étude publiée par Apple elle-même. À ce jour, il n'existe aucune confirmation indépendante des résultats ni de description détaillée de la méthodologie au-delà du synopsis fourni.