CryptoSlateによると、Science Prediction Universeの調査プレプリントは、12のモデルをカバーする13種類のAIエージェント構成をテストした。100件の公開実験のランキングタスクにおいて、採点済み予測間の平均スピアマンの順位相関は0.52、実測結果との平均相関は0.33となった。ランキングを統合したところ、73件のタスク結果が平均提出結果を上回ったものの、共通のエラーが依然として残る可能性がある。上記の相関系数は正答率ではなく、構成ごとにカバーするタスクが異なり、研究では人間の予測基準も設定されていないため、この結果からすべてのモデルや科学的予測シナリオにおけるパフォーマンスを推測することはできない。