นักวิจัยของ OpenAI Noam Brown สนับสนุนให้มีการนำเส้นโค้งพลังการคำนวณเชิงเหตุผลมาใช้ เนื่องจากการวัดคะแนนเพียงอย่างเดียวไม่สามารถประเมินโมเดล AI ขนาดใหญ่ระดับแนวหน้าได้อีกต่อไป

ตามการติดตามของ Beating นักวิจัยของ OpenAI Noam Brown ได้แสดงความเห็นว่า เมื่อประสิทธิภาพของโมเดล AI เพิ่มสูงขึ้น คะแนนการวัดมาตรฐานที่ใช้ประเมินคุณภาพของโมเดลกำลังถูกครอบงำโดยพลังการคำนวณระหว่างการอนุมาน (ปริมาณทรัพยากรการคำนวณที่ใช้เมื่อโมเดลตอบคำถาม) คะแนนคงที่แบบเดี่ยวไม่สามารถสะท้อนระดับที่แท้จริงของโมเดลที่แข็งแกร่งได้อีกต่อไป มาตรฐานการประเมินในอนาคตจำเป็นต้องเปลี่ยนไปใช้เส้นโค้งการขยายประสิทธิภาพที่มีพลังการคำนวณระหว่างการอนุมานหรือจำนวน Token ที่สร้างเป็นแกนนอน

Noam Brown ยกตัวอย่างกระบวนการทดสอบโมเดลใหม่ GPT-5.5 ในการทดสอบมาตรฐานเบื้องต้น GPT-5.5 ไม่ได้แสดงความได้เปรียบเหนือ GPT-5.4 อย่างชัดเจน อย่างไรก็ตาม เมื่อมีการจัดสรรพลังการคำนวณระหว่างการอนุมานมากขึ้น ประสิทธิภาพของ GPT-5.5 ก็พุ่งสูงขึ้นอย่างก้าวกระโดด หากจำกัดงบประมาณการทำงาน การทดสอบมาตรฐานจะไม่สามารถสะท้อนขีดจำกัดที่แท้จริงของโมเดล前沿ได้ การขยายประสิทธิภาพที่คล้ายคลึงกันนี้ได้รับการยืนยันจากการประเมินภายนอกหลายครั้ง ในการทดลองวิจัยอัตโนมัติของ Andrej Karpathy และการทดสอบเครือข่ายที่เป็นอันตรายของสถาบันความปลอดภัย AI แห่งสหราชอาณาจักร เมื่องบประมาณการอนุมานเพิ่มขึ้น ประสิทธิภาพของ GPT-5.5 และโมเดล Mythos ก็เพิ่มขึ้นอย่างต่อเนื่อง แม้หลังจากสร้าง Token มากกว่า 100 ล้านตัวแล้ว ก็ยังไม่ถึงเพดาน และโมเดลที่แข็งแกร่งกว่าจะมีประสิทธิภาพเพิ่มขึ้นอย่างมีนัยสำคัญเมื่อใช้พลังการคำนวณมากขึ้น

การเพิ่มขึ้นของพลังการคำนวณระหว่างการอนุมานยังทำให้การประเมินความปลอดภัยซับซ้อนยิ่งขึ้น Noam Brown เตือนว่า การประเมินความปลอดภัยทางชีวภาพหรือเครือข่ายในปัจจุบันมักไม่มีงบประมาณการอนุมานที่แน่นอน เมื่อคู่แข่งระดับประเทศทุ่มงบประมาณการอนุมานมากกว่า 10 ล้านดอลลาร์สหรัฐสำหรับภารกิจเฉพาะ โมเดลที่ดูเหมือนปลอดภัยในตอนแรกอาจข้ามเส้นอันตรายสีแดง ผู้ผลิตโมเดลขนาดใหญ่ควรเปิดเผยเส้นโค้งประสิทธิภาพที่มีจำนวน Token ต้นทุนพลังการคำนวณ หรือเวลาทำงานเป็นแกนนอนอย่างจริงจังเมื่อปล่อยโมเดลใหม่ และหน่วยงานประเมินผลจำเป็นต้องกำหนดงบประมาณการอนุมานเป็นตัวแปรหลักในการประเมิน โดยใช้การทดสอบด้วยพลังการคำนวณต่ำในการประเมินความปลอดภัยเพื่อคาดการณ์ขอบเขตความปลอดภัยภายนอก