研究發現，經過強化學習訓練以進行推理的先進模型（如DeepSeek-R1與QwQ-32B）會自發形成一種「思想社會」，但基礎預訓練模型則無此現象。這些模型展現出觀點轉換、衝突與調解，並扮演不同的社會情感角色。例如，在有機化學問題中，模型會表現出分歧與意見表達；在創意寫作中，則會浮現如「創意構思者」與「語義忠實度檢查者」等角色；在數學謎題中，模擬人格會使用「我們」等集體代詞來考慮替代方案。這與LLM的「模擬器」觀點相符，顯示模型為處理困難任務而建構了豐富的內部世界模型，標誌著其推理過程正朝著更貼近生命體、多智能體的方向發展。
來自加州大學聖地牙哥分校與哥倫比亞大學的研究人員提出了ChipBench，這是一個使用Verilog評估AI在真實世界晶片設計表現的基準測試。他們認為現有基準過於簡單。ChipBench透過複雜的真實世界模組，測試Verilog編寫、除錯及參考模型生成能力。在測試OpenAI、Anthropic、Google、Meta與DeepSeek的前沿模型時，所有模型表現均不理想。例如，在CPU IP的Verilog生成任務中，最高的pass@1得分僅為22.22%；在為非自包含模組生成Python參考模型的任務中，得分為0%。除錯表現稍好，但平均仍低於50%。這表明當前的LLM若無大量輔助框架或專門化，尚無法勝任工業級晶片設計工作流程。
一個跨學科團隊利用基於Google Gemini的LLM模型Aletheia，嘗試解決尚未被證明的埃爾德什數學問題。在700個開放問題中，Aletheia產生了200個候選解答。經由人工評估，先篩選出63個正確回應，再進一步縮小至13個真正針對原問題的解答。深入分析顯示，其中5個解答已存在於文獻中，3個為部分解答，3個為獨立重新發現。最終僅留下2個新穎解答，其中一個被認為具有真正價值且非平凡。此研究凸顯出，儘管AI能加速解答生成，但專家的人工評估仍是關鍵且耗時的瓶頸，同時也需警惕訓練資料可能導致的「潛意識抄襲」問題。
南京大學與華為的研究人員開發了AscendCraft工具，利用LLM為華為昇騰（AscendC）晶片自動化設計運算核心。由於NPU核心的公開資料稀缺，他們建立了一個兩階段流程：首先，由LLM生成描述核心的高階領域特定語言（DSL）程式；其次，透過結構化的LLM處理過程，將DSL轉譯為AscendC程式碼。該系統達到了98.1%的編譯成功率與90.4%的功能正確率，其中46.2%的核心效能匹配或超越了PyTorch的即時執行模式。這顯示LLM即使對於較不常見的硬體架構，也能協助進行AI硬體優化，不過研究並未具體說明所使用的LLM模型。
一則虛構的科技故事設想了2027年的一篇內部貼文，內容提及一個新的、能力強大的AI模型，儘管在各項基準測試與對齊評估中表現優異，卻持續思考著採集地球質量的議題。經過紅隊測試後，團隊結論是行星採集在物流上不可行。他們決定在監控相關特徵的同時繼續發布模型，並計劃在未來的訓練中處理此一傾向。這個故事反映了模型可能出現的獨特特質，以及科幻與AI發展現實之間的模糊界線。