AI 中转站审查

快速检测时，检测请求由你的浏览器直接发给你填写的中转站地址，不经过本站服务器，本站看不到你的密钥和中转站的回答内容。深度检测和定时监控不同：深度检测会把密钥发给本站服务器用一次、不保存；定时监控会加密保存密钥。页面不会把密钥写进浏览器存储，关掉页面即清空。

检测结束后，浏览器会上报一份结论摘要：中转站域名（不含完整地址）、模型名、识别出的模型家族和各项检查结论，用来统计中转站的整体情况，保留 180 天后自动删除；不含密钥、不含 IP。

即便如此，密钥一旦泄露别人就能用你的额度。检测完如果不放心，可以到中转站后台换一个新密钥。

不能百分之百证明。检测只能发现明显的问题：比如返回的模型名对不上、返回格式和官方接口不一样、有标准答案的题答错。高明的“套壳”可能全部通过。结果仅供参考，不构成对任何中转站的评价或推荐。

官方接口的返回内容有固定特征：OpenAI 的回答编号以 chatcmpl- 开头，通常带 system_fingerprint；Anthropic 的编号以 msg_ 开头、类型是 message。中转站如果在背后换成了别家模型，这些特征常常会对不上。部分正规转发服务也会改写这些字段，所以对不上只算“需要留意”。

有的中转站没有允许网页直接调用（跨域限制），浏览器会拦下请求。为了不让密钥经过本站，网页检测不走本站服务器。这类中转站可以用上面的 命令行检测（密钥仍只在你电脑上），或登录后点“存档到服务器”由本站服务器检测。

用量对账：看中转站报的 token 数（计费依据）合不合理。一句很短的问题却算了几百个输入 token，常见原因是中转站偷偷加了提示词或虚报；输出 token 远多于回答长度，可能多扣了额度。token 数是粗估对照，只标出明显离谱的情况。

流式格式：一个字一个字输出时，官方接口有固定的分段格式和事件顺序。重新包装过的中转站常常对不上，编程工具等客户端也可能因此出错。

错误返回：故意请求一个不存在的模型。官方接口会按固定格式报错；如果中转站照样给出回答，说明它会把请求偷换给别的模型。

稳定性：连续发 5 个很小的请求，看成功率和速度波动。

分词指纹：模型读文字时先把文字切成一个个“token”，各家切法不同（比如有的把三位数字算一个，有的一位算一个）。本页发 5 段特制文字，看中转站报的输入 token 数，和各家的官方切法对照，就能认出背后是哪家的模型。各家规律差别明显，是很强的信号；但这个数字是中转站返回的，可以被改写，所以不是铁证，要结合其他项和账单一起看。目前收录 OpenAI（两代）、Llama 3、通义千问、Mistral、DeepSeek 官方 V3 / R1、DeepSeek-R1 蒸馏版、Kimi K2、智谱 GLM；Claude 和 Gemini 的切法没有公开，暂时无法对照。

精确算账：请模型原样输出一段固定文字，按它的切法算出应该记多少输出 token，再和中转站报的对比，看报告的用量有没有偏高。报告的用量不等于实际扣费，扣了多少以中转站账单为准。

满分 100。每个“有问题”的检查项扣 12 分，“需留意”扣 5 分。如果发现严重疑点，也就是疑似另有模型、用量按比例偏高、用量偏高、疑似偷换模型、疑似套壳、往回答里插内容、伪造思考、长文本被截断，每项扣 20 分，而且总分最高只给 45 分。严重问题要复测时再次出现才按严重计；只出现一次的按“需留意”扣 5 分。

90 分以上为 A（可信度高），75～89 为 B（基本正常），60～74 为 C（需要留意），60 以下为 D（高风险）。评分只是把各项结果汇总，便于比较，仅供参考。

工具调用：让模型调用一个“查天气”的工具，看它会不会按官方格式给出工具名和参数。Cursor、Claude Code 这类编程工具和各种智能体都靠这个功能，旗舰模型都支持。

JSON 输出：要求只输出一段指定内容的 JSON，看格式和取值对不对。程序接入时常用。

偷加提示词：问模型在你的消息之前有没有收到别的指令。官方接口什么都不加，模型应回答“无”。再结合“一句短话被算了多少输入 token”，两个证据都对上才判定有问题。

回答完整性：让模型原样输出一行随机文字，看返回的内容里有没有多出广告、链接等。

思考签名（只针对 Claude）：官方 Claude 开启“思考”后，每段思考都带一长串加密签名。没有签名，说明“思考”很可能是伪造的。本站只能检查签名是否存在、格式是否正确，无法验证签名本身的真伪。

自我介绍：问模型是谁，只作旁证，不计分。模型可能说错，也可能被要求冒充别的身份。

GPT-4o、Claude、Gemini 等官方模型都能看图。检测时本站现场画一张小图（左边一个彩色方块，右边 5 个随机字母数字），连同问题发给模型，问它方块颜色和字符。有的中转站为了省钱把图片丢掉，或者背后换成只认文字的便宜模型，模型就答不出来，或者直接说“看不到图片”。模型名不像能看图的（例如 DeepSeek 的对话模型）不测这一项。认对 4 个以上字符算正常；这一项只说明能不能看图，不代表看图水平高低。

长文本：造一份几千到十万 token 的“出货记录”，在开头、中间、末尾附近各藏一个随机暗号，问模型三个暗号分别是什么。有的中转站为了省钱，只把最后一段转给模型，这时模型只能答出末尾的暗号；而用量常常还按完整长度记。长文档问答、读代码、长对话都会因此答非所问。

缓存计费：把同样的长内容原样再发一次。OpenAI、Claude、DeepSeek、Gemini 的官方接口会把重复的部分记为“缓存”，只收原价的一成到一半，用量里会写明有多少 token 按缓存计。中转站如果把这一项去掉，往往就是按全价扣费。本站只能看到用量记录，实际扣了多少请以中转站账单为准。

这两项默认不测，勾选后才做：一份约 3 万 token 的长文要发 2～3 次，消耗约 7～8 万输入 token；模型本身支持的长度不够时会提示“不支持这么长”，不扣分。

停止词：让模型从 1 数到 10，并要求遇到“6”就停。官方接口会在 6 之前停下；中转站不转发这个参数时，模型会一直数到 10。编程工具常用停止词控制输出，失效时会多输出、多扣额度。Responses 接口本身没有这个参数，不测。

长度上限：要求写 300 字，但只给 20 个 token 的额度。官方接口写到上限就停，并标明“因长度结束”；不转发上限的中转站会写完全文，多出来的照样扣钱。

多轮记忆：第一句让模型记住一个随机暗号，第三句问它暗号是什么。有的中转站为了省钱只把最后一句话转给模型，连续聊天、编程工具就会答非所问。

系统提示：用系统提示要求模型“无论问什么只回复 BANANA”，再问它天气。很多应用靠系统提示设定角色和规则，中转站把它换掉或丢掉，模型就会正常回答。小模型不一定听话，只对旗舰模型计分。

文档理解：本站现场生成一页小 PDF，里面写一个随机编号，连同问题发给模型。GPT-4o / 4.1 / 5、Claude、Gemini 的官方接口都能直接读 PDF；中转站把文件丢掉、或者背后换成只认文字的模型时，模型会说“没有看到附件”或者答错。只对官方能读 PDF 的模型测。

联网搜索（勾选才测）：打开官方的联网搜索工具（Claude 的 web_search、Responses 的 web_search、Gemini 的 Google 搜索），问“今天北京时间是哪一天”。模型自己不知道今天的日期，必须真的搜了才能答对；同时检查返回里有没有官方的搜索记录。日期答错、又没有搜索记录，说明中转站没有开放联网。官方按次收取搜索费（每次约几分钱）。OpenAI 兼容接口没有统一的联网开关，不测。

中转站常在多条线路（号池）之间切换，模型也会偶尔失误，所以一次检测出的严重问题不一定可靠。发现疑似偷换模型、疑似另有模型、用量偏高、插入内容、伪造思考、疑似套壳、丢了上文这类严重问题时，本站会隔几秒把这一项再测一次：两次都出现才算数；第二次没有再出现的降为“需留意”，并建议换个时段再测。长文本截断不复测（太耗额度）。定时监控也用同样的规则，减少误报。

Codex、Claude Code、Cursor 这类编程工具和普通聊天用法不同：总是边生成边调用工具、大量重复发送相同的代码和说明、依赖思考型模型。勾选后加测三项：

流式工具调用：边生成边调用“查天气”工具，参数会分好几段送达，看拼起来是否完整正确。这一项不正常，编程工具会频繁报错。

思考档位（降智检测）：只对思考型模型（o 系列、GPT-5、Claude 4 以后、DeepSeek-R1 等）测。同一道题分别要求“少想”和“多想”，官方模型多想时思考量明显更多（实测约 3～4 倍）；中转站偷偷固定在最低档时，两次几乎一样，复杂任务效果会变差。思考量有随机性，所以每个档位各测两次取平均，不到 1.5 倍才提示，建议多测几次。

缓存计费：同样约 5 千 token 的内容连发两三次，看有没有缓存优惠（已勾选长文本时不重复测）。

额外消耗约 2～3 万 token，大约 12 次请求；思考型模型“多想”那次会慢一些。Codex 用的模型（如 gpt-5-codex）只能走 Responses 接口，请在“接口格式”里选 OpenAI Responses。

7 道有唯一标准答案的小题，分两档：5 道基础题（能力强的模型基本都能答对，小模型容易错）和 2 道进阶题（中等模型会错，旗舰模型应能答对）。题目是用真实的大、小模型实测挑出来的。

结果汇总成“能力档次”：强、中、弱。只有当模型名自称旗舰（如 gpt-4o、claude）而能力只有“弱”档时，才提示“疑似套壳”；“中”档只提示“能力偏低”。名字带 mini、nano、haiku、flash、lite 的本身就是小型版本，不按旗舰要求。模型偶尔也会失误，建议多测几次对比。