Recientes investigaciones han descubierto que GPT-4 ha mostrado un rendimiento deficiente en un desafío de reconocimiento visual. La razón podría ser que las imágenes utilizadas en la tarea eran demasiado comunes en el conjunto de datos de entrenamiento, llevando a GPT-4 a recurrir a la memorización en lugar de a una verdadera capacidad de reconocimiento visual. Esto demuestra que, incluso cuando los grandes modelos muestran un rendimiento excepcional en ciertas tareas, es necesario ser cautos y no sobreestimar su capacidad de generalización basándose únicamente en el éxito obtenido en el conjunto de entrenamiento. Mejorar la capacidad de generalización de los modelos y su robustez frente a ejemplos adversarios es una de las principales líneas de investigación actuales. También es crucial evitar la problemática de evaluar los modelos únicamente con el conjunto de entrenamiento; es necesario probarlos con una muestra más amplia para evaluar adecuadamente su capacidad de generalización y, por lo tanto, su rendimiento real.