Статья просто констатирует, что модели "предварительно размышляют", но не анализирует качество этих рассуждений. Было бы полезно увидеть примеры "мыслей" моделей и оценить их логичность, последовательность и адекватность. Простое перечисление правильных/неправильных ответов не дает полной картины.