Zunächst werden Defizite im logischen Schließen der Modelle und Fehlanpassungen zwischen menschlichem und maschinellem Verhalten analysiert und neue Methoden zur Datenauswahl und aufbereitung entwickelt. Dazu setzt „OPENHAFM“ manuell kuratierte Benchmark-Datensätze, optimierungsbasierte Methoden und halbautomatische Entdeckungsverfahren ein. Das Projekt erforscht auch, wie sich Eigenschaften und Fähigkeiten von verbesserten Modellen mit steigender Modellgröße, Trainingsdaten sowie -dauer verändern. Es werden gezielte Ansätze entwickelt, wie Trainingsdaten angereichert oder der Lernprozess angepasst werden können, um bessere, flexiblere und effizientere Modelle zu bekommen. Dies beinhaltet die Erstellung synthetischer Datensätze, gezielte Datenanpassungen und Einführung von aktiven Lernmethoden.