Miközben a mentális számegyenes modell egy egyszerű és emiatt vonzó modell keretében számos jelenséget képes megmagyarázni, a magyarázatok több kritikus ponton megkérdőjelezhetők. A Weber-törvénynek megfelelő rendszerek fontos jellegzetessége, hogy végső soron kicsi aránynál már nem tudják megállapítani, hogy melyik inger az erősebb, ami számok esetében nagyjából 10% alatti értékeknél kezdődik (bár ahogyan már említettük, ebben lehetnek egyéni eltérések). Ezzel szemben nyilvánvaló, hogy az emberek tetszőleges pontossággal tudnak számokat használni. A mentális számegyenes modell szerint a pontos számolást részben a nyelvi rendszerek biztosítják (további részleteket lásd később), de a modell a pontos (vagyis nem közelítő) összehasonlítást teljes egészében a mentális számegyenes működésének tulajdonítja, még olyankor is, amikor az összehasonlítandó számok különbsége olyan kicsi, hogy a rendszer a pontatlansága miatt nem is tudhatja megoldani a feladatot. A rendszer pontatlansága miatt általában is igaz, hogy míg a nem szimbolikus számok (pl. tárgyak halmazának) közelítő számításához a mentális számegyenes alkalmas lehet, addig a pontos szimbolikus számításra nem alkalmas, holott időnként ilyen funkciót is tulajdonítanak neki. Egy másik példa a klasszikus modell problémáira, hogy az eredeti elképzelés szerint a mentális számegyenes adhat magyarázatot a tárgyak gyors számlálási képességére, az úgynevezett szubitizációra. A szubitizáció jelensége már régóta ismert a kognitív tudományban: amikor tárgyak mennyiségét kell pontosan meghatározni, nagyjából 4-ig viszonylag gyorsan tudjuk ezt megtenni, de 4 fölött a számlálási folyamat jól kimutathatóan lelassul (Kaufman és mtsai, 1949). A mentális számegyenes modell szerint a szubitizációt a mentális számegyenes végzi, és a rendszer azért tudja a feladatot csak 4-ig elvégezni, mert a rendszer szokványos pontossága mellett két szomszédos zajos reprezentáció csak 4-ig mutat viszonylag kis átfedést ahhoz, hogy a szomszédos értékeket a rendszer megbízhatóan megkülönböztesse (lásd a 10.1. ábra példáit), míg 4 fölött a rendszer pontatlan a szomszédos értékek megkülönböztetésében, és emiatt más mentális mechanizmust kell használni a halmaz számlálásához (Dehaene–Cohen, 1994). A probléma ezzel a magyarázattal az, hogy a szubitizáció jelenségét nem lehet kimutatni az 1–4 tartomány pl. tízszeresénél (vagyis a 10, 20, 30, 40 pontot tartalmazó halmazoknál), holott a modell szerint a 10, 20, 30, 40 értékek arányai ugyanolyanok, mint az 1–4 tartomány arányai, vagyis a modell ugyanolyan teljesítményt jósolna az 1–4 értékek tízszereseire is (Revkin és mtsai, 2008).