Zespół badawczy przeanalizował w szczegółach dlaczego modele języka zawodzą przy długih ciągów instrukcji, badając konkretne komponenty 400-kroków zadania z wstrzykiwanym kontekstem. Zamiast patrzeć tylko na ostateczny wynik, eksperci mierzyli oddzielnie trzy aspekty: rozpoznawanie wcześniej widzianego rekordu z poprzednich 5-300 kroków, przetwarzanie bieżącego rekordu oraz inkrementowanie licznika na każdym kroku.
Na modelu Qwen3-8B odkryli asymetryczne wzory błędów. Licznik okazał się niezwykle niezawodny - nie popełnił żadnego błędu w 8000 krokach testu, a przetwarzanie lokalne pozostało stabilne. Jednak rozpoznawanie duplikatów dramatycznie pogarszało się w drugiej połowie zadania, gdzie wskaźnik błędów wzrastał z prawie zera do 0.011 na krok w okolicach kroku 200. Efekt ten pochodzi zarówno z narastających błędów przywołania długodystansowego, jak i rosnącej liczby fałszywych alarmów.
Wyniki pokazały również podatność na zakłócenia. Kiedy badacze dodali blok nieistotnej zawartości przed każdym krokiem, licznik zawiódł w 20 z 20 eksperymentów na każdej maszynie, podczas gdy efekt na przetwarzanie lokalne był znacznie mniejszy. Zaintrygowani ten odkryciem, naukowcy zbadali dalej i stwierdzili, że licznik kopiuje wartości bezpośrednio z historii odpowiedzi modelu - gdy wartość uległa zniekształceniu, model nie poprawiał jej samodzielnie. Jednakże powtarzające się zewnętrzne przypomnienia mogły przywrócić licznik do poprawnego stanu w ciągu jednego-dwóch kroków.