Pesquisadores da divisão Apple Machine Learning Research afirmaram que a execução de tarefas com horizonte de planejamento longo em grandes modelos de linguagem permanece instável, mesmo na presença de estratégias de alto nível. A análise de quebra-cabeças algorítmicos controlados mostrou que, embora a divisão de tarefas em partes seja necessária para a robustez, sua decomposição excessiva cria um efeito de 'gargalo sem recuperação'. Nesse estado, erros em várias etapas complexas tornam-se irreversíveis devido à distribuição extremamente desigual das imprecisões.

Para resolver esse problema, os autores do trabalho propuseram uma nova abordagem chamada Lookahead-Enhanced Atomic Decomposition (LEAD). Este método visa superar a barreira identificada, permitindo que os modelos evitem situações de impasse, onde erros sequenciais em etapas críticas tornam impossível alcançar o objetivo final.

Os dados apresentados baseiam-se exclusivamente nos metadados da pesquisa publicada pela própria empresa Apple. Atualmente, não há confirmação independente dos resultados nem uma descrição detalhada da metodologia além do resumo fornecido.