W eksperymencie Shumailova z modelami językowymi badacze używali m.in. modelu OPT-125M dostrajanego na zbiorze WikiText-2. Kolejne generacje modeli trenowano na danych wygenerowanych przez generację poprzednią. Modele zachowywały część zdolności do wykonywania zadania, ale z czasem wzrastały błędy, a generowane próbki coraz bardziej odbiegały od danych pierwotnych.

Dane syntetyczne i pętle autofagiczne Ryzyko zapaści modelu wiąże się z rosnącą dostępnością danych syntetycznych, czyli danych generowanych przez systemy sztucznej inteligencji. Dane takie są atrakcyjne, ponieważ mogą być tanie, łatwo skalowalne i czasem mniej problematyczne pod względem prywatności niż dane rzeczywiste. Jednocześnie mogą nie oddawać pełnej różnorodności świata, zwłaszcza jeśli są tworzone przez modele, które same upraszczają rozkład danych.

W innym z opracowań naukowych opisano podobny problem jako „autofagiczną” lub „samokonsumującą się” pętlę uczenia. Autorzy badali modele generujące obrazy i wyróżnili kilka scenariuszy: trening wyłącznie na danych syntetycznych, trening na mieszaninie danych syntetycznych i stałego zbioru danych rzeczywistych oraz trening z dopływem świeżych danych rzeczywistych w kolejnych generacjach.