检测方法与数据口径

把可复核事实、行为信号和不确定性分开呈现。

标准检测包含什么

平台检查 HTTPS 连通性、鉴权、模型列表、最小生成、usage 计量和有限的行为一致性信号。OpenAI 兼容协议额外检查流式响应、结构化输出与工具调用；原生 Anthropic、Gemini 和 Responses 协议尚未执行的能力项会明确标为“未执行”，不推断通过或失败。单模型标准检测通常为 6–12 次低输出调用，包含协议识别的保守预算上限为 17 次；深度检测上限为 49 次。多模型预算按模型数增加，实际消耗以请求记录为准。

为什么不直接写“真模型”

API 返回的模型名可以被网关改写，单次身份回答也能被提示词影响。比较要求同模型、同协议、同探针版本、同题目和参数，并验证参考包签名及有效期（默认 30 天）。参考缺失、过期或不匹配时显示“证据不足”。“一致”只表示已执行的可比较维度相符，不是模型身份证明，也不保证其他能力相同。证据覆盖度不是“真模型概率”。深度探针同样依赖有效的一对一官方参考，不能用模型自报名称代替。

榜单公式

默认综合分由在线率 40%、模型一致性 30%、同模型相对延迟 15%、协议能力 10%、样本置信度 5% 组成。新站有有效样本后即可参与，在线率使用同模型其他站点均值作为 20 个样本强度的先验；没有其他站点样本时采用 50% 中性先验。一致性无有效参考时使用中性值。价格、广告合作与站长自填宣传数据不参与自然评分。

在线率

统计近 30 天有效模型响应。401、403、429、上游 5xx、超时和无效响应会分类记录并计为不可用；接口心跳、管理员测试和 ModelCheck 自身调度故障不计入模型在线率。暂停与缺少样本不等于离线，最近 90 分钟没有模型样本时榜单标注数据陈旧。当前属于香港单节点技术观测，不代表所有地区网络体验。

匿名样本

用户检测命中已收录端点时可计入站点样本。按上海自然日、站点和模型去重后，每 4 个独立监控样本最多纳入 1 个匿名样本，使其数量占比不超过 20%；没有足够监控样本时匿名报告仍可查看，但不推动排名。检测报告不会保存 API Key、完整请求头或可复用凭据。

用真实返回验证一次

建议创建低额度、可随时吊销的测试 Key。