构建生产级AI智能体时，传统基准测试无法反映真实环境的挑战。AgentGym2提出去理想化评估，强调端到端执行、工具发现和组合能力。测试显示，GPT-5等模型在真实场景中表现不佳，需关注探索能力和鲁棒性。未来应重视专门训练和多样化基准评估，以提升AI在复杂环境中的表现。

部署模拟是一种在模型发布前评估潜在风险的方法。通过重播先前对话，研究新模型在真实环境中的表现，识别不良行为并降低评估意识。这种方法提高了对不良行为发生率的预测准确性，帮助开发者在发布前识别潜在问题，增强风险评估的有效性。

阿里巴巴旗下的高德发布了全球首个基于3D数据训练的城市模型ABot-Earth0.5。该模型通过直接使用3D数据，实现了城市场景生成效率提升约1000倍，并在数据处理和推理机制上进行了创新，确保生成内容与真实环境一致。用户可以通过卫星图或文字快速生成3D城市，并导入主流引擎使用。

文章探讨了集成测试的类型，特别是合并前的测试，以便快速反馈给开发者。集成测试有助于早期发现问题，减少缺陷进入生产环境的可能性。虽然使用模拟进行集成测试快速，但可能不够真实；而真实环境中的端到端测试结果更可靠，但通常在合并后进行，导致反馈延迟。通过共享环境进行合并前测试，可以提高效率并节省成本。