研究数据显示，O*NET 权重在特定场景下的变化幅度有限。在纳入加权分数的 O*NET 任务中，APEX 提示的模型表现相似，这限制了重新分配权重的实际价值。值得注意的是，在与上述四个职业相关的 O*NET 任务中，仅有不到三分之一的任务具备足够的 APEX 覆盖范围以纳入加权分数计算。相关团队计划将 O*NET 权重应用于更广泛的基准测试集，旨在生成高质量的特定职业模型得分，目前该目标正在推进中。
即便整合数十个基准的任务数据，评估过程仍面临多重挑战：
- 统计功效不足的问题：美国经济涵盖的工作广度导致针对任何特定 O*NET 职业和任务的基准项目数量相对较少。这种样本量的限制使得估计结果缺乏稳健性，个别低质量项目即可显著影响整体得分。
- 任务难度与准确性的解释难题：部分基准项目已趋于饱和，而另一些仍未被解决。这一现象既受时间因素影响（早期基准是为性能较弱的模型及简单环境设计），也受质量因素影响（部分基准项目存在分类模糊、轻微错误或可被奖励的情况）。目前尚缺明确的质量权衡方法。
- 从自动化到增强的泛化测量：主要衡量 AI 自动化的评估标准难以直接推广至“增强”场景。现实中，AI 模型更多由人类辅助使用，而非完全自动化整个工作流。因此，评估模型的现实世界职业能力应包含其对人类生产力的提升效果。尽管已有初步探索，但实现规模化适配仍具难度。
- 基准测量的适用范围局限：基于知识型工作易于通过基准测量，因其主要在数字设备上完成。据丁格尔和尼曼估算，仅 37% 的美国工作可完全居家完成，这意味着约 63% 的工作涉及物理世界组件，难以纳入当前基准体系。随着机器人技术的快速发展，对物理任务基准的需求预计将显著上升。
针对上述问题，相关团队正积极寻求解决方案，并呼吁业界共同参与改进。此外，研究致谢王等人以及纳森·兰伯特对该工作草稿提供的反馈。
