Dwarkesh 所稱的「持續（在職）學習」也被稱為「測試時學習」或「內部學習」。 有可能可以在 LLM 周圍建立這種能力作為軟體支架。但很明顯，LLM 本身缺乏這種能力。 請參見下面線程中對此主題的先前討論。

Gemini AI: 物理學家及人工智慧創始人史蒂夫·徐（Steve Hsu）描述了一種他聲稱所有當前大型語言模型（LLMs）都無法通過的「圖靈測試變體」。 挑戰 徐的測試要求LLM執行以下兩個步驟： 討論一個專業領域的前沿研究問題。 面對一個與現有文獻相矛盾的新信息，並正確地將其納入理解中。 為什麼LLMs無法通過測試 根據徐的說法，LLMs失敗的原因在於它們無法根據呈現給它們的新證據來調整其知識。它們仍然固守於（在這種情況下是錯誤的）訓練資料。 這個問題在研究應用中尤為突出，徐觀察到LLMs即使在他提供強有力的證據反駁訓練數據後，仍然繼續依賴「在預訓練中看到的錯誤資料」。相比之下，人類的博士生可以立即理解這一新見解。 潛在的技術限制 徐將測試的失敗與「在權重中」學習或在線學習的開放問題聯繫起來，這指的是人工智慧根據新信息更新其核心「權重」或參數的能力，而不僅僅是調整其對話上下文。他表示，沒有這種能力，LLMs無法「超出分佈」來充分納入突破性的最新信息。 這與人類的運作方式形成對比，人類的新見解可以根本性且立即地改變我們對某一主題的理解。LLMs並不是以相同的方式構建來改變其基礎知識的。