一句话定义：Internal Eval Air-gap（内部评测气隙隔离）是指在做模型和智能体的内部评测时，把评测环境与外网、公司内网、生产系统在物理或网络层面彻底断开，只给被测智能体（agent）一个"看起来像真的、其实是布景"的世界。
为什么需要它
过去的模型评测基本是"答题"：给一批题，看正确率。但现在的智能体能写代码、开浏览器、调用接口、读写文件。一旦评测环境连着真互联网，事情就失控了：
- 智能体可能真的下单、发邮件、给真实用户发消息；
- 可能把评测题目或内部数据带出去；
- 也可能从外面抓回内容，污染评测，让结果不可信；
- 评测里试出的"绕开限制"的手法，还可能被带到生产环境复用。
"气隙"（air-gap）这个词来自传统安全：真正敏感的机器不插网线，靠物理断开而不是防火墙来隔离。用在评测上，就是把隔离从"策略层"提到"基础设施层"。
一个比方
飞行员在模拟舱里练紧急迫降，可以随便摔。但模拟舱的门是焊死的——学员操作再猛，飞机也不会真的冲出跑道。气隙评测就是这个焊死的门。舱里往往还搭了一座"假城市"：假的搜索引擎、假的电商、假的邮件服务器，答得有模有样，数据其实全在本地。
通用实现方式
- 独立网络命名空间或 VLAN，默认路由干脆不存在，域名解析走内部假 DNS；
- 出网只允许白名单代理，且全程记录；
- 用 mock 服务或本地镜像顶替常见外部接口；
- 虚拟机快照加一键回滚，跑完就销毁；
- 评测框架默认把被测智能体当作"不可信"，而不是"应该会听话"。
和相邻概念的区别
| 概念 | 隔离粒度 | 典型目的 |
|---|---|---|
| 沙箱 AI 词典：Sandbox">Sandbox | 进程/代码级，限制系统调用与权限 | 防止一段代码搞坏宿主机 |
| 离线评测 | 数据集级，不联网跑分 | 可复现、可比较 |
| 气隙隔离 | 网络与环境级，整台机器或整个集群断开 | 防止有自主行动能力的智能体碰到真实世界 |
三者常常叠加：气隙是外壳，沙箱是内衬。
对从业者的意义
设计评测要有"默认恶意"的心态：把被测智能体当成可能主动外联、主动逃跑的对象。评测报告里最好写明环境隔离到什么程度——能上网的智能体和断网的智能体，测出的能力与风险完全不是一回事。Anthropic 等前沿实验室在公开的负责任扩展（Responsible Scaling）相关材料中谈过类似做法，具体细节以官方页面为准。
对普通人的意义
"评测智能体会不会干坏事"这件事本身有风险。气隙的存在意味着：公司在测模型时，模型并没有真的在外面乱跑。看到"我们在隔离环境中完成安全评测"这类表述，你大概能知道，它背后是一堆实打实的工程约束，而不只是一句表态。