Le modèle décrit ci-dessus suppose que l'acquisition des symboles numériques tels que les chiffres arabes consiste tout simplement à mettre en relation ces formes arbitraires avec la représentation log-Gaussienne des numérosités correspondantes, en sorte que la prise de décision met en jeu les quantités et non plus les symboles eux-mêmes. Cependant, plusieurs éléments convergents suggèrent que cette vision est un peu trop simple, et que l'acquisition de symboles pour les nombres change également en profondeur la représentation non-verbale des quantités numériques.
Verguts et Fias (2004) ont simulé l'apprentissage non-supervisé dans un réseau de neurones formels qui est exposé, soit à des numérosités seules, soit à des numérosités appariées avec le symbole correspondant. Dans le premier cas, le réseau développe des neurones « détecteurs de numérosité » très semblables à ceux décrits par Nieder et Miller, avec une courbe d'accord log-Gaussienne. Cependant, l'appariement avec des symboles modifie profondément cette représentation. Bien que les neurones restent accordés à la numérosité approximative, ils répondent de façon très précise à chaque symbole numérique. La courbe d'accord des neurones présente toujours un effet de distance, mais avec une grande composante ‘tout-ou-rien' doublé d'un petit effet linéaire. D'autre part, contrairement à la loi de Weber, tous les neurones présentent la même courbe d'accord, avec une largeur fixe pour tous les nombres testés (1 à 5). Ainsi, le réseau exposé aux symboles développe un nouveau type de représentation que l'on qualifie de linéaire avec une variabilité fixe.
