Forskning har vist, at træning af AI-modeller til at tænke før de svarer, kan markant forbedre deres resonnementsevner. Traditionelt set overvejer AI-chatbots som ChatGPT ikke deres svar eller forudser forskellige samtalemuligheder. Dog instruerer en ny træningsmetode kaldet "Quiet-STaR" AI-systemer i at generere flere indre begrundelser, inden de giver et svar på en forespørgsel. Ved at kombinere disse forudsigelser kan AI'en tilbyde det bedste svar, som kan bekræftes af en menneskelig deltager. Denne metode gør det også muligt for AI'en at lære ved at forkaste forkerte begrundelser, hvilket giver den mulighed for at forudse fremtidige samtaler og lære af løbende samtaler.

Quiet-STaR-algoritmen blev anvendt på Mistral 7B, en åben kildekode sprogmodel, og resulterede i en resoneringstest-score på 47, 2%, hvilket er en betydelig forbedring i forhold til den før-træning score på 36, 3%. AI'en har stadig svært ved visse opgaver, som f. eks. en matematiktest i skolen, men dens præstation er fordoblet fra 5, 9% til 10, 9%. Denne tilgang viser lovende resultater i forbedringen af AI-modellers resoneringsevner og i at mindske kløften mellem neurale netværksbaserede systemer og menneskelignende resonering.