根据Ethan Mollick在X平台的说法，METR长任务分数与多项领先AI基准高度相关，尽管该指标有局限，但仍是衡量整体模型能力的有效代理。依据Mollick的报告，log(METR)与编码、推理及多模态等关键评测之间保持强相关，这为企业在模型选型与治理中提供统一的高层筛选指标。依照Mollick的结论，将METR与领域专项基准结合，可在智能体、代码生成与工具调用等应用中降低上线风险并提升评估效率。

据Ethan Mollick在Twitter表示，许多常用AI基准更像是人造或过度拼装的题目，难以代表真实应用价值，也不值得作为训练目标。根据Mollick于2026年2月13日的帖子，这暴露了基准过拟合与数据泄漏导致的“虚高分数”问题，可能误导产品能力宣传与采购决策。结合社区对Mollick帖文的讨论可知，公开数据上的泄漏与复用会让模型在排行榜上看似进步，却未必提升在企业场景中的稳健性。对企业方的建议是建立贴近业务流程的私有评测（如检索增强、工具链多步推理与安全红队），并采用动态轮换与不可见题库来降低“考题被训练”的风险，这一点与Mollick的批评相呼应。