Zespół badawczy z arXiv (praca 2608.25005v1) podważył wnioski poprzednich badań nad zachowaniem dużych modeli językowych w kontekście paradoksu niedokonanego. Poprzednie prace twierdziły, że modele wykazują tendencję do wnioskowania o zakończeniu zdarzeń telicznych na podstawie opisów w formie continuous (Teleological Bias), a interwencje promptingowe powodować mają Crisis Calibration. Reanalyza pokazała jednak, że to oskarżenie może być błędem w konstrukcji samego benchmarku.
Badacze zidentyfikowali trzy kluczowe błędy konceptualne w oryginalnym badaniu, z Aspectual Reduction jako głównym problemem. Pod ścisłym standardem Natural Language Inference aż 76% przykładów z grupy A nie wyklucza jawnie culmination (zakończenia zdarzenia). W natywnych adnotacjach mówców, 38% przykładów grupy A i 29% grupy C pozwalało na alternatywną interpretację. Naukowcy stworzyli nową wersję testów - Lexically Matched Minimal Pairs - by kontrolować te problemy i zmienność leksykalną.
Wyniki przeprowadzone na poprawionym benchmarku ujawniły zupełnie inny wzorzec zachowań. Modele często nie potwierdzały culmination, ale mimo to akceptowały odpowiadającą hipotezę w simple past - fenomen nazwany Sufficiency Bias. Prompting interventions powodowały jedynie przesunięcie w wyborze etykiet bez faktycznego usprawnienia zrozumienia semantycznego przez modele. Te ustalenia sugerują, że poprzednie skonkludowania o wadach modeli mogły wynikać z niedoskonałości narzędzi pomiarowych, a nie z rzeczywistych luk w zdolnościach linguistycznych.