Sitio de BigEye News, el investigador de OpenAI Noam Brown expresó su opinión, señalando que a medida que mejora el rendimiento de los modelos de inteligencia artificial, las calificaciones en pruebas estandarizadas que miden la calidad del modelo tienden a avanzar gradualmente hacia el control de las capacidades de inferencia.

Ya no es suficiente una puntuación fija y única para reflejar el nivel real de un modelo potente, y en el futuro, el criterio de evaluación debe convertirse en una curva de rendimiento que se extienda en función de la capacidad de inferencia o del número de tokens generados.
Como ejemplo de la nueva prueba del modelo GPT-5.5, en las pruebas preliminares tradicionales, no hubo una ventaja clara de GPT-5.5 en comparación con GPT-5.4, pero una vez que se asignó más capacidad de inferencia, su rendimiento comenzó a aumentar de manera explosiva.
Noam Brown advirtió que las evaluaciones actuales de seguridad biológica o en redes a menudo no incluyen un presupuesto de inferencia fijo, y cuando los adversarios invierten más de un millón de dólares a nivel nacional en una tarea específica, el modelo que parecía seguro puede cruzar la línea roja del peligro.