但这种启发式的方法缺乏SAT求解的完整性保证：尽管重复调用一个完整的、精确的SAT求解器，但它并不能保证找到一个最优解，不过每一次重复调用都比直接对整个数据进行优化要难得多。因为约束每个新的理论在理论空间中接近其前一个理论会导致约束满足问题的多项式缩小，从而使搜索时间呈指数级增长，而SAT求解器在最坏的情况下是以指数级增长的。
在实验评估阶段，研究人员从语言学教科书中搜集了70个问题，每个问题都要求对一些自然语言中的一些形式的理论进行综合分析。这些问题的难度范围很广，涵盖了多种多样的自然语言现象。
自然语言也多种多样，包括音调语言，例如，在Kerewe语（坦桑尼亚的一种班图语）中，to count是/kubala/，但to count it是/kukíbála/，其中重音标记高音调。
也有元音和谐（vowel harmony）的语言，例如土耳其有/el/，/t∫an/，分别表示手，钟，以及/el-ler/，/t∫an-lar/，分别表示手和钟的复数；还有许多其他语言现象，如同化和外延式。
在评估上，首先衡量该模型发现正确的词表的能力。与ground-truth词表相比，该模型在60%的基准中发现了与问题的全部词库正确匹配的语法，并在79%的问题中正确解释了大部分的词库。
通常情况下，每个问题的正确词库比正确的规则更明确，任何从正确的词库中产生完整数据的规则必须与模型可能提出的任何基础规则具有观察上的等效性。因此，与基础真理词库的一致性应该作为一个指标来衡量同步化的规则在数据上是否有正确的行为，该评估与规则的质量相关。
为了测试这个假设，研究人员随机抽取了15个问题，并与一位专业语言学家协商，对发现的规则进行评分。同时测量召回率（正确恢复的实际语音规则的比例）和精确度（恢复的规则中实际出现的比例）。在精度和召回率的指标下，可以发现规则的准确性与词库的准确性呈正相关。
当系统得到所有词库的正确性时，它很少引入无关的规则（高精度），而且几乎总是得到所有正确的规则（高召回率）。
参考资料：
https://news.mit.edu/2022/ai-learn-patterns-language-0830
