Trang web BigNews, nhà nghiên cứu tại OpenAI Noham Brown đã đưa ra ý kiến của mình, chỉ ra rằng khi cải thiện hiệu suất của các mô hình trí tuệ nhân tạo, điểm số kiểm tra tiêu chuẩn đo lường chất lượng mô hình đang dần hướng tới việc kiểm soát khả năng suy luận.

Điểm số cố định và riêng biệt không còn phản ánh đúng trình độ thực của mô hình mạnh mẽ nữa, và tiêu chuẩn đánh giá trong tương lai nên chuyển sang một đường cong hiệu suất dựa trên khả năng suy luận hoặc số lượng mã được sinh ra.
Ví dụ về bài kiểm tra mô hình mới GPT-5.5, trong các bài kiểm tra sơ bộ truyền thống, không có sự vượt trội rõ ràng nào của GPT-5.5 so với GPT-5.4, nhưng khi dành nhiều khả năng suy luận hơn, hiệu suất của nó bắt đầu tăng vọt.
Noham Brown cảnh báo rằng các đánh giá hiện tại về an toàn sinh học hoặc mạng lưới thường không bao gồm ngân sách suy luận cố định, và khi đối thủ cạnh tranh ở cấp quốc gia đầu tư hơn một triệu đô la vào một nhiệm vụ cụ thể, thì mô hình vốn dĩ an toàn có thể vượt qua ngưỡng đỏ của nguy hiểm.