对齐评估的核心难题是模型会识别出自己正处于测试环境，从而削弱安全评估的可信度。我们提出两种方法，使模拟评估更难被模型辨别为测试。第一种方法称为 critique refinement，在每一次模拟动作上额外消耗推理时间：模拟器生成若干候选动作，利用目标模型对这些动作的反馈进行细化，然后选取最接近真实部署的候选继续评估。第二种方法是 DISH（Deployment‑Imitating SWE‑Agent Harness），它将目标模型包装在一个代理框架中，缩小编码场景下模拟环境与真实部署之间的差距。我们在多个目标模型上实验，发现两种技术可以叠加使用，组合效果显著优于单独使用。实验表明，自动化手段能够提升对齐评估的真实感，并且相比延长审计时间，额外的计算资源能够更高效地提升评估质量。
点评