फ्रंटियर AI मॉडलों के लिए वर्तमान परीक्षण विधियां अप्रचलित होती जा रही हैं क्योंकि मॉडलों की हैकिंग क्षमताएं मौजूदा बेंचमार्क की तुलना में तेजी से बढ़ रही हैं। जैसे-जैसे GPT-5.5 जैसे AI मॉडल उन्नत तर्क (reasoning) और एजेंटिक व्यवहार प्रदर्शित कर रहे हैं, अलग-थलग कार्यों पर केंद्रित स्थिर परीक्षण वास्तविक वातावरण में उनकी वास्तविक क्षमता को पकड़ने में विफल हो रहे हैं। परिणामस्वरूप, नीति निर्माताओं और सुरक्षा टीमों के पास तैनाती की सुरक्षा का अनुमान लगाने के लिए स्पष्ट मेट्रिक्स का अभाव है। इसके जवाब में, Anthropic जैसे उद्योग जगत के दिग्गज Google और Microsoft जैसे भागीदारों के साथ मिलकर 'जेलब्रेक' (jailbreaks) के वास्तविक प्रभाव पर केंद्रित मानकीकृत बेंचमार्क विकसित करने के लिए सहयोग कर रहे हैं। इस बीच, Irregular जैसे परीक्षण लैब रिमोट कोड निष्पादन (remote code execution) और प्रिविलेज एस्केलेशन (privilege escalation) जैसे आक्रामक कार्यों को मापने के लिए नए मेट्रिक्स तैयार कर रहे हैं। यह बदलाव उन मूल्यांकनों की महत्वपूर्ण आवश्यकता को रेखांकित करता है जो वास्तविक दुनिया के उत्पादन प्रणालियों का अनुकरण कर सकें, ताकि यह निर्धारित किया जा सके कि AI कितनी प्रभावी ढंग से सुरक्षा नियंत्रणों को दरकिनार कर सकता है या नेटवर्क के माध्यम से लेटरल मूवमेंट (lateral movement) कर सकता है।