Znanstvenici su razvili novi model umjetne inteligencije koji koristi novi pristup kogniciji kako bi smanjio trošak zahtjeva. Model, nazvan BDH-CQ, postigao je rezultat od gotovo 30% na ARC-AGI-1 benchmarku, riješivši ekvivalent tri od deset slagalica u dvije ili manje pokušaje. Iako su brojni modeli postigli znatno bolje rezultate na ovom testu, pristup razumijevanju koji je BDH-CQ temeljen čini njegovu veličinu i trošak korištenja dramatično manjim od modela izgrađenih na temelju tradicionalne transformer-bazične arhitekture. Na primjer, model GPT 5.6 Luna (Low) tvrtke OpenAI postigao je nešto bolji rezultat, ali je studija pokazala da je ovaj „skromni dobici točnosti“ koštao otprilike 11 puta više od BDH-CQ u smislu relativnog troška tokena. BDH-CQ je treniran na samo 150 milijuna parametara, dok su parametri za najnaprednije modele, kao što je Metaov otvorenog koda Llama 3 70B ili Llama 3.1 405B, obično broje desetke milijardi do stotina milijardi. Manje parametara znači da su modeli brži za treniranje i jeftiniji za korištenje. Ovakav arhitektonski pristup umjetne inteligencije, ako bude široko prihvaćen, mogao bi imati dramatičan utjecaj na ukupni trošak i skalabilnost implementacija umjetne inteligencije, vjeruju znanstvenici.