转API中转站评测
← 返回中转站科普

中转站降智怎么检测？5 个自查方法与真伪检测工具

30 秒结论：先分清你在查哪件事。 中文圈说的「降智」其实混着两件完全不同的事：一是官方模型自己在抖（Anthropic 2025 年 9 月公开过一份事故报告，承认三个基础设施 bug 让 Claude 答得更差，最差时段影响了 16% 的 Sonnet 4 请求）；二是中转站把你付钱买的模型换成了便宜的（CISPA 的研究团队审计 24 个中转站端点，45.83% 没通过模型身份指纹验证，最极端的一家声称给 GPT-5、实际返回的是 GLM-4-9B）。这两件事的检测方法和处置完全不同，混为一谈的结果是：官方抖动时你骂中转站，中转站掺假时你以为是官方抖动。「我感觉它变笨了」永远不能当证据 —— 模型输出本身有随机性，Anthropic 自己在那份报告里都承认他们跑的评测没抓到用户报的问题。本文给四类你自己能跑的检测：查响应字段（30 秒）→ 用「应该报错的请求」探后端（最硬）→ token 计数指纹（不用官方 key）→ 缓存与长上下文能力探针，外加现成开源工具的用法和代价。先说难听的：这些方法能证明「它换了」，不能证明「它没换」；而且真测出来了，多数站的条款写着不退款。

更新于 2026-08-28 ｜ 本文所有 API 行为断言基于 Anthropic 官方文档，论文数据来自 arXiv:2603.01919，工具信息来自各自的公开仓库；本站未审计任何第三方工具的实现

先分清两件事：官方在抖，还是中转站在换

这是本文最重要的一节，也是绝大多数「降智」讨论一开始就跑偏的地方。

第一件事：官方模型自己会变差，而且是被官方承认过的

2025 年 9 月 17 日，Anthropic 发过一篇工程博客《A postmortem of three recent issues》，逐条交代了 8 月到 9 月初 Claude 输出质量下降的原因 —— 三个基础设施 bug：

  1. 上下文窗口路由错误 —— 8 月 31 日最差的那一小时，影响了 16% 的 Sonnet 4 请求；
  2. Claude API 的 TPU 服务器配置错误导致输出损坏，影响 Opus 4.1、Opus 4、Sonnet 4；
  3. 一个 XLA:TPU 上 approximate top-k 的编译错误，影响 Claude Haiku 3.5。

这篇报告里有两件事值得每个人记住：

  • Anthropic 明确否认了「高峰期故意限流降级」这个流传很广的猜测 —— 原因是 bug，不是节流；
  • 他们自己跑的评测没有抓到用户报告的退化。理由是 Claude 常常能从孤立的错误里恢复过来，单看评测分数看不出问题。

第二条对你的意义很大：连模型的制造方、拿着完整日志和内部评测的人，都没能第一时间用数据抓到质量下降。你在中转站这一侧、只有黑盒输出，靠「感觉」就更抓不住。

这一类波动，换中转站是解决不了的 —— 上游是同一个上游。

第二件事：中转站把模型换掉了，这是可以被抓住的

2026 年 3 月，CISPA 亥姆霍兹信息安全中心的研究团队发表了论文 《Real Money, Fake Models: Deceptive Model Claims in Shadow APIs》（arXiv:2603.01919）。这是第一次有人系统性审计 AI API 中转站（论文称之为 Shadow API）。他们审计的对象是被 187 篇学术论文引用过的 17 家中转站，核心发现：

发现数字
模型身份指纹验证不通过的端点比例45.83%（24 个端点）
性能差距峰值47.21% —— Gemini-2.5-flash 在 MedQA（美国医师执照考题）上从官方的 83.82% 掉到约 37%
数学推理（AIME 2025）的差距某站的 Gemini-2.5-pro 差 40.00%
法律基准（LegalBench Scalr）的差距各站落后 40.10% ~ 42.73%
17 家里没有可验证运营主体的15 家（88.2%），只有 1 家有有效 ICP 备案
使用者的地理分布82.12% 来自中国大陆

最直观的一个案例：某家声称提供 GPT-5，指纹识别的结果是它实际返回的是 GLM-4-9B-Chat —— 一个参数量小得多的开源模型。

经济账也算了：1,273 次 GPT-5 查询，用户按官方费率付了 $14.84，而实际拿到的 token 价值只有 $5.70 ~ $7.77，中转站每批截留 $7.07 ~ $9.14。

⚠️ 但要读全：论文里也有干净的站 —— 编号 E 的那家在 GPQA 上与官方的平均差距只有 2.64%。「45.83%」是端点比例，不是「所有中转站都在骗你」，更不能外推成今天的状况（那次审计做的是 2026 年初的那批站）。

「降智雷达」测的是第一件事，不是第二件

搜「降智」的人很多会搜到「降智雷达」「Codex 雷达」这类东西。按公开介绍，CodexRadar 是社区用户做的 Codex（GPT-5.x 系列）监控平台，「降智雷达」是它的一个功能：每天用一套固定的混合语言编程题集跑基准，量化追踪不同档位模型的表现波动，回答「Codex 今天降智了吗」。

它测的是官方模型自己的波动（用的是官方渠道），不是测你那家中转站有没有换模型。这两件事都值得关心，但别拿它的结论去判断你的中转站 —— 它红了不代表你的站有问题，它绿了也不代表你的站没换模型。

（本站未与该平台核实过它的方法细节与数据来源，以上只作现象记录。）

为什么「我感觉它变笨了」不能当证据

在动手测之前，先接受三件事，否则测出来的东西你也解读不对：

第一，模型输出本身有随机性。 同一个 prompt 问两次，答案就可能一好一坏。单次、甚至几次的主观感受，区分不了「模型变差」和「这次运气不好」。

第二，变的可能是你自己。 上下文变长了、系统提示改过、项目里多了几个文件、你问问题的方式变了 —— 这些都会让输出质量变化，而且它们比「中转站换模型」常见得多。

第三，连官方都抓不住。 见上一节：Anthropic 拿着内部评测都没在第一时间抓到自己的退化。

所以有用的检测只有一种形态：对照。 要么和官方端点对照，要么和同一个站的另一个模型对照，要么和已知的确定性行为对照。下面四个方法，全都是在做对照 —— 区别只是对照的东西不同、成本不同。

方法一：查响应里的四个字段（30 秒，零成本）

这是最便宜的一步，不需要额外调用，你正常用的时候顺手看一眼返回体就行。

以 Anthropic 协议为例，一次正常的响应里有这几样东西值得看：

看什么正常应该是不对劲说明什么
idAnthropic 的消息 id 是 msg_ 开头的固定格式格式不对、或者像是随手拼的，说明响应不是原样转发，中间有人重新组装过
model应该回显你请求的那个模型 ID回显的是别的名字，或者永远回显你请求的那个（哪怕你故意写一个不存在的型号也照单全收），都可疑
stop_reason取值来自固定集合：end_turn、max_tokens、stop_sequence、tool_use、pause_turn、refusal出现集合外的值，说明后端不是 Anthropic 协议原生
usage除了 input_tokens / output_tokens，用了缓存时还应有 cache_creation_input_tokens 和 cache_read_input_tokens缓存字段整个缺失（见方法四）

⭐ 一个 10 秒就能做的小实验：请求一个根本不存在的模型名，比如 claude-opus-99。

  • 正常的网关会返回一个明确的错误（模型不存在）；
  • 如果它照常给了你一段回答，说明它根本没在校验模型名 —— 那你请求的那个真模型名，它也未必真的路由到了那个模型上。

这一步不能证明它没换模型，但能筛掉一批最粗糙的。

方法二：用「应该报错的请求」探后端（最硬的一类）

这是本文最值得带走的方法，逻辑和上面所有基于输出内容的方法都不同：它不看模型答得好不好（那有随机性），而是看API 层的行为符不符合官方规则。

原理很简单：新一代 Claude 模型在 API 层删掉了一些老参数，发这些参数会被官方端点直接拒绝（HTTP 400）。 如果一个端点声称自己是这些新模型，那它就应该拒绝。

按 Anthropic 官方文档，下面这些是当前会返回 400 的组合：

探针在哪些模型上应该 400
thinking: {"type": "enabled", "budget_tokens": 2000}Claude Fable 5、Opus 5、Opus 4.8、Opus 4.7、Sonnet 5 —— budget_tokens 已被移除
temperature / top_p / top_k同上这批模型 —— 采样参数已被移除
最后一条消息是 assistant（预填）Fable 5、Opus 5、Sonnet 5 以及 4.6 / 4.7 / 4.8 家族 —— 预填已被移除
thinking: {"type": "disabled"}Fable 5 上返回 400（它的思考不能关）

拿最简单的一个试：

curl https://你的中转站/anthropic/v1/messages \
  -H "x-api-key: 你的-key" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "max_tokens": 64,
    "temperature": 0.7,
    "messages": [{"role": "user", "content": "hi"}]
  }'

怎么读结果 —— 这一段是全文最需要注意方向的地方：

  • 返回 400，并且错误信息说的就是这个参数不被支持 → 这是强证据：说明你的请求被原样转给了一个真的按 Opus 5 规则校验的后端。这条比任何输出质量对比都硬。
  • 正常返回了一段回答 → 这只是线索，不是证据。有两种解释：① 后端确实不是 Opus 5；② 中转站的网关在中间把不支持的参数过滤掉了再转发 —— 很多网关为了兼容性会这么做，这本身不算作恶。

⚠️ 所以这个方法的方向是单向的：「该报错的报错了」能证明真；「该报错的没报错」不能证明假。 写成结论之前必须想清楚这一点 —— 本站见过太多把单向证据当双向用的判断。

如果你想再进一步：把同一个探针分别打到这家站的不同模型上。一家正经转发的网关，claude-opus-5 会拒、claude-sonnet-4-5（老模型，还支持 temperature）会接受。如果所有模型的行为一模一样，那说明前面有一层统一的兼容层，你看到的不是上游的真实行为。

方法三：token 计数指纹（不需要官方 key）

这个方法的原理是：不同模型家族用的分词器（tokenizer）不同，同一段文本切出来的 token 数就不同。 而 usage.input_tokens 是后端算完给你的。

最实用的形态是横向对比，不需要你有官方 key：

  1. 准备一段固定的文本（几百字，中英文混排效果最明显 —— 中文在不同分词器上的差异比纯英文大得多）；
  2. 用同一个中转站、同一段文本，分别请求 Claude、GPT、以及一个国产模型；
  3. 记下每次返回的 usage.input_tokens。

正常情况下这三个数应该互不相同。 如果 Claude 那次和 GPT 那次返回了完全一样的 token 数，那说明这两个「模型」很可能共用同一个分词器 —— 要么后端是同一个东西，要么中间层在用自己的分词器统一记账（后者也意味着你看到的 usage 不是上游的真实值，账单口径存疑）。

⭐ Claude 内部还有一层更细的指纹：Anthropic 在 Opus 4.7 上换过一次分词器（Fable 5 与 Opus 4.8 沿用同一套），相对 Opus 4.6 及更早的模型，同一段文本的 token 数会变成约 1 ~ 1.35 倍。所以：

同一段文本，请求 claude-opus-4-6 和 claude-opus-5，返回的 input_tokens 本来就应该不一样。如果一模一样，值得追问一句。

如果你手上有官方 key，还有一个更直接的做法：用 Anthropic 官方的 token 计数端点 POST /v1/messages/count_tokens 算出这段文本的官方 token 数，再和中转站返回的 input_tokens 比。

⚠️ 这个方法的两个局限：① 中转站可以自己重算 token 数来对齐（虽然本站没见过有人这么做）；② 缓存、system prompt、工具定义都会计入 input_tokens，对比时必须保证这些完全一致，否则你比的是自己的变量。

方法四：缓存和长上下文，两个最容易露馅的能力探针

偷换模型或走非官方渠道时，最先掉的往往不是「智商」，而是功能。下面两个探针成本极低。

探针 A：prompt caching 到底有没有生效

Anthropic 的 prompt caching 需要真正的后端支持。做法是：同一个长前缀连发两次请求，第二次看 usage.cache_read_input_tokens。

  • 第一次：cache_creation_input_tokens 应该是个大于零的数（写入缓存）；
  • 第二次：cache_read_input_tokens 应该大于零（命中缓存）。

如果两次都是零、或者字段干脆不存在，有两种可能：后端不支持缓存（常见于非官方渠道），或者中转站没有把 cache_control 透传上去。无论哪种，对你的账单都是实打实的影响 —— 缓存命中部分的价格只有正常输入的约十分之一，不生效意味着你在按全价付重复的前缀。

⚠️ 这个探针最容易误判，务必注意：最小可缓存的前缀长度是有下限的（随模型不同，512 ~ 4096 token），短于这个长度会静默地不缓存，什么错误都不报。 拿一段两三句话的前缀去测，一定测出「缓存不生效」——那是你的测试写错了，不是站方的问题。测的时候把前缀塞到几千 token 以上。

探针 B：长上下文的「大海捞针」

声称 200K 甚至 1M 上下文的模型，如果后端被换成一个小窗口的模型，或者中间层偷偷截断了你的输入，表现是一样的：长文档的开头部分「记不住」。

做法：造一段很长的文本（十万字级别），在最开头埋一句只有你知道的句子（比如「本次测试的暗号是 紫色狒狒 37」），然后在结尾问它暗号是什么。

  • 答得出来 → 至少这个长度上，你的输入是完整送达的；
  • 答不出来 / 报错 / 明显在瞎猜 → 要么被截断了，要么后端窗口没那么大。

其他同类探针（原理一样，都是「功能缺了比智商掉了好抓」）：function calling / tool use 能不能正常返回结构化调用、PDF 文档能不能读、结构化输出（JSON schema 约束）能不能守住、流式和非流式的返回内容是否一致。

方法五：现成的开源工具，以及用它们的代价

上面四类方法都能手搓，但已经有人把它们工程化了。本站查到的、方法比较系统的有这么几个：

Veridrop（github.com/canarybyte/veridrop）—— 目前最对口的一个：439 star、AGPL-3.0 协议、Python 实现，支持 CLI 与自托管，也有一个免注册的在线版 veridrop.org。输入 base_url + api_key + model，它对 Claude 协议跑 12 项检测：身份验证、行为签名分析、thinking 签名的密码学校验（项目自述的核心创新）、模型一致性、知识评估、PDF 提取、结构化输出、协议合规、流式与非流式一致性、消息 ID 格式校验、token 用量校验、三档大海捞针的长上下文测试；OpenAI 协议 8 项、Gemini 协议 7 项。项目自述 API key 不落盘、只在内存中存在、报告里做脱敏。

OfoxAI 的「模型验真」（ofox.ai/verify/）—— 免登录，5 项探测出一份置信度报告，可选 6 个模型。它的提供方 OfoxAI 自己就是一家中转站，这一点它没有隐瞒，但你要知道。

bashigestudio/apitest —— 另一个中文项目，自述从连通性、模型列表、协议字段合规、数学计算验模型真伪、Usage 字段校验、Function Calling、多次请求一致性等 10 个维度检测。

用这类工具之前，三件事想清楚

第一，它们全都要你交出 API key。 这是绕不开的 —— 要替你发请求就得有 key。唯一正确的用法是：新建一把专用的临时 Key、设一个尽可能低的额度上限（如果那家站支持的话）、测完立刻删除。 别拿你在用的主力 Key 去测，也别拿一把没有额度限制的 Key 去测。

⚠️ 顺带一句本站的观察：很多站建 Key 的时候根本不让你设额度上限 —— 本站最近评的几家里就有只给「名称 + 有效期」两项的。这种站上，一把 Key 泄露等于整个余额暴露，有效期是你唯一的止损开关。

第二，工具的结论要看它是怎么得出来的。 上面这些项目本站都没有审计过实现，只核对了它们公开的仓库信息与自述的检测项。「某工具说这家有问题」不等于「这家有问题」，反过来也一样。把它当线索，自己复验关键的那一两项。

第三，警惕「检测/评测/红黑榜」类站点本身的可信度。 本站在别处查过一个例子：某个中转站导航站的「勿入名单」，所有条目署名同一个账号、验证日期全部是同一天、且不给任何原帖或截图链接，而那一页开头写着「每一条记录都有时间戳和证据」。判据很简单：看它给不给可回溯的出处、看它的条目是不是同一个人同一天批量产出的。

学术界怎么测的：一篇论文和它的四步协议

如果你想知道「严谨地做」是什么样，上面那篇 CISPA 论文给了一套完整的审计协议，四步：

  1. 指纹验证 —— 用 LLMmap 这个主动指纹框架，发至少 24 个精心构造的探针，把响应与参考模型库比对，余弦距离超过基线 1.2 倍就标记；
  2. 统计等价性检验 —— 用 Model Equality Testing（MET），至少 500 个样本，显著性水平 α=0.05，统计地检验「这个端点的输出分布是否与官方模型同分布」，拒绝原假设就标记；
  3. 稳定性 —— 至少跑 3 个独立会话，准确率标准差超过 5 个百分点、或延迟变异系数超过 0.15 就标记；
  4. 资质核查 —— 核实 ICP 备案与法律实体披露。

论文还给研究者一份清单：记录端点 URL、声称的模型版本、访问日期和定价，在跑实验前先让端点通过审计协议，并在报告结果时一并给出准确率、LLMmap 距离和 MET 的 p 值。

为什么普通人跑不动：500 个样本 × 若干模型的调用费用、24 个探针需要的参考模型库、以及三个独立会话的时间成本 —— 这是一篇论文的工作量，不是下单前花十分钟能做的事。

但第 4 步你现在就能做，而且它最便宜。 论文自己的数据是最好的注脚：17 家里 15 家（88.2%）没有可验证的运营主体、只有 1 家有有效 ICP 备案。先看这家站敢不敢把自己是谁、货从哪来写出来 —— 本站评过的站里，有的把每个模型走哪家上游都逐条写在公开接口里，有的连公司名都不肯留一个。这一步的信息量，比你花钱跑五百次采样还大。

测出来了，然后呢

先说难听的：多数情况下，你拿不回钱。

本站读过几十家中转站的服务条款，「充值不退款」是常态，最狠的一种在「所有费用均不能退款」之外还加一句「放弃对相关款项的一切追究及/或申索的权利」。所以：

  1. 先保留证据，再去问。 把完整的请求与响应存下来 —— 特别是响应的 id、model、usage、时间戳，以及你的调用日志。注意脱敏，别把 API Key 贴进任何截图或工单。
  2. 问得具体一点。 「你们是不是降智了」很难有结果；「我在 X 时间请求 claude-opus-5，响应 id 是 msg_xxx，usage 里没有缓存字段 / token 数与其他模型完全一致，请解释一下这条请求走的是哪个上游」——这种问法对方要么给你一个解释，要么不回答，两种反应都是信息。
  3. 别为了捞本继续充值。 这是本站在几个暴雷案例里反复看到的模式：发现不对劲之后为了「用完」而继续加钱，最后损失更大。
  4. 换站的时候，把判据前置。 下一家先看三件事：渠道构成公开不公开（能不能查到每个模型走谁家）、运营主体查不查得到、条款里的退款和有效期怎么写。这三条都能在充值前查完，比事后检测便宜得多 —— 具体怎么查，看本站的官转和逆向的区别与全站对比表。

常见问题

「降智」到底是什么意思？

中文圈用它笼统地指「AI 变笨了」，但实际上混着两类完全不同的原因：一是官方模型自身的波动（Anthropic 在 2025 年 9 月公开的事故报告里承认过三个基础设施 bug，最差时段影响 16% 的 Sonnet 4 请求，并否认了「高峰期故意节流」的猜测）；二是中转站在后台把你付费购买的模型换成了更便宜的。前者换中转站也解决不了，后者才是可以被抓住、也应该被抓住的。

「降智雷达」能测出我的中转站有没有掺假吗？

不能。 按公开介绍，CodexRadar（社区称「降智雷达」）是社区做的 Codex 监控平台，每天用固定题集跑基准、追踪官方模型自身的表现波动。它测的是上一问里的第一类问题。它红了不代表你的中转站有问题，它绿了也不代表你的中转站没换模型。（本站未与该平台核实方法细节，只作现象记录。）

有没有不花钱、不交 API Key 就能做的检测？

有，但只能做「粗筛」。用你正在用的那把 Key，正常调用时顺手看四个字段：响应 id 的格式（Anthropic 是 msg_ 开头）、model 回显、stop_reason 的取值是否在官方那六个之内、usage 里缓存字段在不在。再加一个 10 秒实验：请求一个不存在的模型名，如果它照样给你回答，说明它根本不校验模型名。这几步筛不掉精心伪装的，但能筛掉最粗糙的一批。

最硬的检测方法是哪个？

用「应该报错的请求」去探后端。 新一代 Claude 模型在 API 层移除了一批老参数——比如 budget_tokens、temperature / top_p / top_k、以及 assistant 预填——发给官方端点会直接返回 400。如果一个端点声称自己是 Opus 5 / Sonnet 5 / Fable 5 这类模型，它就应该拒绝。注意这个证据是单向的：报了 400 能证明请求被原样转给了真后端；没报 400 却不能证明它是假的，因为很多网关会在中间把不支持的参数过滤掉再转发。

测出中转站换了模型，能要求退款吗？

大概率不能。 本站读过几十家中转站的服务条款，「已支付费用不退还」是常态，最严的一种还要求用户「放弃对相关款项的一切追究及申索的权利」。所以正确的顺序是充值前查、而不是出事后测：先看渠道构成公不公开、运营主体查不查得到、条款里退款与额度有效期怎么写。真要维权，先把请求响应的 id、model、usage 和时间戳完整存下来（注意脱敏，别泄露 Key）。

有现成的开源检测工具吗？可靠吗？

有几个。方法比较系统的是 Veridrop（439 star、AGPL-3.0、Python，有自托管与在线版），对 Claude 协议跑 12 项检测，包括 thinking 签名校验、消息 ID 格式、token 用量校验和三档长上下文测试；另有 OfoxAI 的「模型验真」（提供方本身是一家中转站）和 bashigestudio/apitest 等。共同的代价是它们都要你提交 API Key —— 唯一正确的用法是新建一把专用临时 Key、设最低额度、测完立刻删除。本站没有审计过任何一个工具的实现，它们的结论宜作线索，关键项自己复验。

便宜的中转站是不是一定会降智？

不能这么推。价格只是动机，不是证据。 但成本结构确实有指示性：低于官方三折通常意味着渠道不是官方直供（号池、逆向或转手），而这些渠道在上游被限流封堵时更有降级顶包的动机。反过来，原价卖的站也不等于就没问题 —— 判据始终是「渠道构成公不公开、能不能验」，不是「贵不贵」。渠道类型怎么分，看官转和逆向的区别。