Site Peguiwa News, o pesquisador da OpenAI Noam Brown comentou, indicando que à medida que o desempenho dos modelos de inteligência artificial melhora, as pontuações em testes padronizados que medem a qualidade do modelo tendem a evoluir gradualmente para controlar a capacidade de inferência.

A pontuação fixa e única não reflete mais o verdadeiro nível do modelo forte, e o padrão de avaliação no futuro deve se transformar em uma curva de desempenho que se estende com base na capacidade de inferência ou no número de tokens gerados.
Como exemplo do novo teste do modelo GPT-5.5, nos testes tradicionais iniciais, não houve uma vantagem clara do GPT-5.5 em relação ao GPT-5.4, mas assim que foi dedicada mais capacidade de inferência, seu desempenho começou a subir de forma explosiva.
Noam Brown alertou que as avaliações atuais de segurança biológica ou de rede frequentemente não incluem um orçamento fixo de inferência, e quando adversários investem mais de um milhão de dólares em uma missão específica a nível nacional, o modelo que parecia seguro pode ultrapassar a linha vermelha do perigo.