Rekordet e reja kërkimore kanë identifikuar një set detyrash që njerëzit i kryejnë pa vështirësi, por ku inteligjenca artificiale (IA) has vështirësi—më specifikisht, leximi i orës analoge dhe përcaktimi i ditës së javës për një datë të dhënë. Edhe pse IA mund të gjenerojë kod, imazhe, tekste të ngjashme me ato njerëzore, dhe të kalojë provime në mënyra të ndryshme, ajo shpesh interpretimet gabimisht pozicionet e duarve në orë dhe dështon në aritmetikën bazë të kalendarit. Studimi, i prezantuar në Konferencën Ndërkombëtare për Paraqitjen e të Dhënave në Mësim (ICLR) të vitit 2025 dhe i botuar në serverin arXiv (pa u vlerësuar ende nga ekspertët), nxjerr në pah hapësira të mëdha në aftësinë e IA-së për të kryer detyra që njerëzit i zotërojnë herët në jetë. Autori kryesor, Rohit Saxena nga Universiteti i Edinburgut, theksoi se këto mangësi duhet adresuar për t’iu mundësuar IA-së përdorim efektiv në kontekste të ndjeshme ndaj kohës dhe në situata të jetës së përditshme si planifikimi, automatizimi, dhe teknologjitë ndihmëse. Hulumtuesit testuan modele të ndryshme të gjuhës së shumëmodalshme (MLLM)—duke përfshirë Llama 3. 2-Vision të Meta, Claude-3. 5 Sonnet të Anthropic, Gemini 2. 0 të Google dhe GPT-4o të OpenAI—duke përdorur një set të personalizuar imazhesh të orës dhe kalendarit. Modelet dështuan të identifikonin saktë oraret ose të përcaktonin ditët e javës për datat e mostra, me norma saktësie vetëm 38. 7% për orët dhe 26. 3% për detyrat e kalendarit. Saxena shpjegoi se data e dobët në leximin e orës vjen nga mungesa e aftësisë së mendimit hapësinor—detyrave që kërkojnë detektimin e duarve të përbashkëta, matjen e këndit, dhe interpretimin e dizajneve të ndryshme të orës, si numerat romakë ose cilësime stilizuar. Rrëzimi i imazhit si një orë është më i lehtë për IA sesa të zbulojë saktë orën.

Po ashtu, edhe pse aritmetika është themelore për llogaritjet kompjuterike, modelet e mëdha të gjuhës nuk kryejnë llogaritje përmes algoritmeve; ato parashikojnë rezultatet bazuar në modele të të dhënave trajnimi. Kjo sjell mendime jo të rregullta dhe jo të bazuara në rregulla, duke shpjeguar normat e larta të dështimit në llogaritjet që lidhen me datat. Ky studim i shton evidencës në rritje se mënyra se si IA "kupton" është dhe në thelb të ndryshme nga njihema e njeriut. IA ka sukses ku ka shumë shembuj trajnimi, por has vështirësi me arsyetimin abstrakt dhe me përhapjen e përgjithshme, sidomos në detyra që përzihen perceptimi me logjikën të saktë. Për më tepër, të dhënat e kufizuara trajnimi për fenomene më të rralla si viti i brishtë, e bëjnë performancën më të dobët, pasi IA dështon të bëjë lidhje konceptuale të nevojshme. Gjetjet theksojnë nevojën për set më të pasur dhe më të fokusuar të të dhënave, dhe për rishikimin e kapaciteteve të IA-së për të integruar arsyetimin logjik dhe hapësinor, duke ngritur shqetësime për mbështetjen e tepruar tek output-et e IA-së në detyra komplekse. Saxena theksoi rëndësinë e testeve rigoroze, mekanizmave të riparimit, dhe mbikëqyrjes së njeriut në rast se IA nuk është i përshtatshëm vetëm, por në kombinim me perceptimin dhe arsyetimin e saktë.