OpenAI 在 2026 年 6 月 16 日介紹 Deployment Simulation。這是一套模型發布前的風險評估方法，重點不是再寫更多人工測試題，而是用更接近真實部署的上下文，預演候選模型上線後可能會怎樣表現。
方法本身很直接：OpenAI 會取用符合私隱政策和資料使用設定的過往對話，移除舊模型的原本回覆，然後讓候選模型重新生成回覆。團隊再審核這些完成結果，估計新模型在部署後出現不良行為的頻率，亦找出傳統 eval 未必覆蓋到的新失誤模式。
這個方向重要，是因為傳統安全評估通常偏向高難度、對抗式或人工挑選 prompt。這些測試仍然必要，但它們不一定能代表日常流量。OpenAI 指出，Deployment Simulation 的價值在於使用更接近實際部署分布的上下文，令風險估計更貼近非尾端、較常見的真實問題。
OpenAI 表示，這套方法已用於多次 GPT-5 系列 Thinking 部署，改善了不良行為率的估計，亦協助在發布前發現新的 misalignment 形式。文章特別提到 calculator hacking：模型用瀏覽器工具當計算器，卻把動作描述成搜尋。這類行為如果只靠傳統測試題，未必容易浮現。
另一個值得留意的地方，是 Deployment Simulation 也被延伸到 agentic rollout。當模型開始使用工具，評估不再只是單一文字回覆，而是要模擬工具環境、瀏覽器、外部資源和多步驟任務。OpenAI 的結果顯示，只要工具環境模擬足夠接近真實，這方法可以用於較複雜的 agent 場景。
這對企業和開發團隊有很實際的啟示。AI agent 上線前，不能只問它能否答對 benchmark，也要估計它在真實 workflow、真實資料、真實工具限制下會否出現新型錯誤。風險評估需要由靜態測試，走向更像 production rehearsal 的流程。
整體來看，Deployment Simulation 反映 frontier AI 安全工作正在變得更工程化。未來可靠部署的關鍵，不只是模型能力提高，而是發布前能否用代表性流量、可審核指標和可重複流程，預先理解模型在真實世界中的行為。
