W badaniu przeprowadzonym na 555 rzeczywistych pytaniach z egzaminów z anatomii dla studentów medycyny Bielik 7B v0.1 odpowiedział poprawnie na 29,91% pytań, uzyskując najniższy wynik spośród siedmiu badanych modeli. Wśród 150 pytań zadanych w języku polskim jego skuteczność wyniosła 23,33%; identyczny wynik osiągnął PLLuM. Dla porównania GPT-4o odpowiedział poprawnie na 70,32% pytań w języku polskim.
Ograniczenia Bielika wykazano także w badaniach dotyczących polskiego prawa. W eksperymencie dotyczącym prostych problemów prawnych Bielik-11B-v2 uzyskał ogólną poprawność odpowiedzi na poziomie 65%, wobec 87% dla GPT-4o mini. Autorzy stwierdzili również, że modele rzadko sygnalizowały własne ograniczenia, a poprawność ich odpowiedzi była zależna od sposobu sformułowania pytania. W innym badaniu Bielik-11B-v2.6 został poddany oficjalnemu egzaminowi kwalifikacyjnemu do Krajowej Izby Odwoławczej. W praktycznej części polegającej na sporządzeniu orzeczenia uzyskał 8 punktów na 100 przy progu zaliczenia wynoszącym 50 punktów. Komisja wskazała m.in.