Microsoft publikoval výsledky interního výzkumu ze srpna 2026 k návrhu evaluací pro generativní AI. Tým porovnal svůj rámec ASSERT s nástrojem Petri Bloom na šestnácti kyberbezpečnostních rizicích, včetně vybraných taktik MITRE ATT&CK, rizik Code Interpreter Abuse z CyberSecEval 2 a samostatného testu prompt injection. ASSERT převádí písemný popis rizika na behaviorální rubriku a scénáře, takže má být snazší sledovat, jaké chování test míří a proč byl výsledek označen jako selhání. V dostupných měřeních měl ASSERT vyšší pokrytí technik ATT&CK, vyváženější rozložení scénářů a vyšší míru odhalených porušení než Petri Bloom. Microsoft zároveň upozorňuje, že výsledky závisí na způsobu generování testů, hodnoticí rubrice i konfiguraci simulátoru, takže evaluace jsou důkazem v konkrétním návrhu testu, ne absolutním měřítkem modelu.
