ফ্রন্টিয়ার এআই (frontier AI) মডেলগুলোর হ্যাকিং ক্ষমতা দ্রুত বিদ্যমান বেঞ্চমার্কগুলোকে ছাড়িয়ে যাওয়ায় বর্তমান পরীক্ষা পদ্ধতিগুলো অপ্রাসঙ্গিক হয়ে পড়ছে। GPT-5.5 এর মতো এআই মডেলগুলো উন্নত যুক্তি এবং এজেন্টিক আচরণ প্রদর্শন করার ফলে, বিচ্ছিন্ন কাজের ওপর ভিত্তি করে করা স্থির পরীক্ষাগুলো বাস্তব পরিবেশে তাদের প্রকৃত সম্ভাবনা তুলে ধরতে ব্যর্থ হচ্ছে। এর ফলে, পলিসিমেকার এবং নিরাপত্তা দলগুলোর কাছে এআই মোতায়েনের নিরাপত্তা পূর্বাভাস দেওয়ার জন্য স্পষ্ট মেট্রিক বা মাপকাঠির অভাব রয়েছে। এর প্রতিক্রিয়ায়, অ্যানথ্রোপিক (Anthropic)-এর মতো শিল্প নেতারা জেলব্রেক (jailbreak)-এর প্রকৃত প্রভাবের ওপর ভিত্তি করে মানসম্মত বেঞ্চমার্ক তৈরির জন্য গুগল এবং মাইক্রোসফ্টের মতো অংশীদারদের সাথে সহযোগিতা করছে। ইতিমধ্যে, ইরেগুলার (Irregular)-এর মতো টেস্টিং ল্যাবগুলো রিমোট কোড এক্সিকিউশন এবং প্রিভিলেজ এসকেলেশনের মতো আক্রমণাত্মক কাজগুলো পরিমাপ করার জন্য নতুন মেট্রিক তৈরি করছে। এই পরিবর্তনটি এমন মূল্যায়নের প্রয়োজনীয়তাকে তুলে ধরে যা বাস্তব জগতের প্রোডাকশন সিস্টেমের অনুকরণ করতে পারে, যাতে এআই কতটা কার্যকরভাবে নিরাপত্তা নিয়ন্ত্রণ এড়িয়ে যেতে পারে বা নেটওয়ার্কের মধ্য দিয়ে মুভ ল্যাটারালি (move laterally) করতে পারে তা নির্ধারণ করা যায়।