Investigaciones recientes muestran que, aunque la inteligencia artificial destaca en áreas como la programación y la creación de contenido, todavía presenta deficiencias en el manejo de problemas históricos complejos. Un estudio reciente presentado en la conferencia NeurIPS indica que incluso los modelos lingüísticos grandes (LLM) más avanzados tienen dificultades para obtener resultados satisfactorios en pruebas de conocimiento histórico. El equipo de investigación desarrolló Hist-LLM, un conjunto de pruebas de referencia, para evaluar tres modelos lingüísticos de primer nivel: GPT-4 de OpenAI, Llama de Meta y Gemini de Google.