主要观点：对于随着训练和推理计算规模扩大，推理模型将表现出的情况存在不同观点。Finbarr Timbers 认为会在特定任务上实现超人类性能，未见一般转移证据但似乎极有可能；Gwern Branwen 强调取决于扩展的数据，在某些领域扩展越多转移越少；Jacob Buckman 称一般化难以预测，随着计算和数据增加会从最小转移到有一定转移再到广泛转移；Karthik Narasimhan 期望有一定转移并进行领域特定再训练；Near 认为智能的“尖峰性”仍显著，可通过数据/RL 提升在关心领域的泛化；Nathan Lambert 称新训练的模型在各主题推理上会有更好平均性能；Pengfei Liu 认为增加计算和推理时间能提升推理能力，但一般推理受问题和数据限制；Ross Taylor 认为一般推理会很快到来，模型自身成为好的验证者时可实现泛化；Shannon Sands 称对其他任务有一定泛化但需更多领域特定训练；Steve Newman 认为这是个重大问题，会有一定领域转移但仍需专门训练；Tamay Besiroglu 认为最小转移错误，推理是通用技能；Teortaxes 认为会有“原生可验证推理过剩”阶段进而理解更普遍的合理推理。综合来看，专家倾向于现在在可构建验证器的逻辑领域有一定泛化，未来趋势是广泛转移。

关键信息：多位专家对推理模型规模扩大后的表现及泛化情况发表观点，包括不同领域数据对泛化的影响、超人类性能、一般转移的可能性等。

重要细节：各专家的所属机构及具体观点表述，如 Finbarr Timbers 来自 Ex-DeepMind 等；不同专家对于一般化的不同看法及相关论据，如 Gwern Branwen 关于数据对泛化的观点等。