それぞれの、1500回の実験のうち、ネットワークが収束した割合は(512状態)99.4%,(256状態)95.5%であった。
最初に、512状態のFMMの学習においては、トレーニングに用いられるサンプル数
が増加するとともにエラーは減少し、ついには0となった。また、トレーニング
セットの数が増加するとともに抽出されるオートマトンのサイズは理想的なサイ
ズである512に近づき、ついには512となった。ここで、完全な汎化に必要となる
サンプルの数は約250個であった。これは、d=9 の場合の文字列全体である2046個の約12（抽出されたFMMの能力については記載無し）
しかし256状態の場合、トレーニングに用いられるサンプル数が増加するとともにエラーは減少するが、0にはならなかった。また512状態のとき同様、トレーニングセットの数が増加するとともに抽出されたオートマトンのサイズは256に近づく。さらに、抽出されたFMMはテストセットの大多数を正しく判別することができなかった。