Artykuł proponuje stworzenie specjalistycznych narzędzi badawczych (data probes) do głębszego zrozumienia, jak dane treningowe wpływają na wydajność modeli językowych. Autorzy argumentują, że obecna wiedza o relacji między danymi a wynikami LLM jest wciąż niepełna i wymaga systematycznych badań. Rozwój takich narzędzi może revolucjonizować optymalizację danych treningowych i poprawić efektywność ucz enia modeli.