论文提出模拟控制评估 SCE：用模型模拟环境预测安全指标

Redwood 类控制评估（control evals）通常在专用环境中测试安全措施能否拦截故意作恶的模型，再将结果外推到实际部署。论文提出模拟控制评估（SCE），用语言模型模拟工具响应来替代真实环境。在 LinuxArena 上对照真实执行结果，SCE 预测安全性的 RMSE 为 3.6 个百分点（5% 审计预算、5 个监控器），优于在 BashArena 单独环境执行的 10.1。SCE 对攻击策略分布的 KL 散度比 BashArena 低超过十倍，能解释 78-85% 的跨环境攻击成功率、监控得分与安全性方差。通过模拟发现的策略还能提升监控器在 held-out LinuxArena 攻击上的表现，效果接近真实执行的策略。