Znanstvenici su razvili novi model umjetne inteligencije koji koristi novi pristup kogniciji kako bi smanjio trošak obrade upita. Model, nazvan BDH-CQ, postigao je rezultat od gotovo 30% na ARC-AGI-1 benchmarku, riješivši tri od deset zagonetki u najviše dva pokušaja. Iako su brojni modeli postigli znatno bolje rezultate na ovom testu, pristup na kojem se BDH-CQ temelji čini njegovu veličinu i trošak korištenja dramatično manjim od modela izgrađenih na temelju tradicionalne arhitekture utemeljene na transformerima. Na primjer, model GPT 5.6 Luna (Low) tvrtke OpenAI postigao je nešto bolji rezultat, ali je studija pokazala da su ti „skromni dobici u točnosti“ koštali 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 su Metini modeli 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.