怎么判断中转站掺水、降智、假模型？先看这些证据

同一道题换个中转站就答错，能不能说明用了假模型？仅凭一次结果，证据不够。模型本身有随机性，模型版本、思考档位、上下文和工具设置也可能不同。先把条件记清楚，再判断问题出在哪一层，既不把普通波动当成掺水，也不被一个漂亮答案说服。

去实测：用自己的 Key 检测去比价：看各站倍率

先把三个词分开

“假模型”是请求的模型与实际服务身份不一致；“降智”是同等条件下能力或推理表现异常；“掺水”常用来描述减少推理投入、截断或混用不同服务。这些词在讨论中含义不一，检测报告应写清检查了什么、发现了什么，不要用一个情绪化标签替代证据。

下表把常见的检查方法按证据强度排了一遍。强度越高，越能单独说明问题；弱证据只能当线索，要和别的证据一起看。

强度是本文的经验分档：强 = 单次即可定性；中 = 两次独立采样复现才定性；弱 = 只当线索。

第一步，确认比较的是同一项服务

记录站点域名、分组、模型完整名称、请求时间和思考档位。一个站可能有多个分组，上游、价格和限制各不相同：甲分组通过不能替乙分组背书，旧版本的结果也不能直接套到新版本。Pulse 按统一标准（每个模型族固定一个模型和思考档）检测，不符合标准的结果单独标注，不与当前结果混算。

第二步，看模型身份的证据

返回体写了某个模型名，只算一条线索，因为转发服务可以改写这段文字。Pulse 会结合模型身份、协议、消息标识和部分模型的思考签名检查真伪：Claude 校验加密思考签名、身份与消息 ID；GPT / Grok 看 reasoning_tokens 是否有截断特征；Gemini 看 thoughtsTokenCount 与思考签名。字段缺失、协议兼容差异和明确的身份矛盾要分开描述，一次格式不兼容不能直接说成整站造假。

第三步，看推理投入与完整性

答案长不代表推理充分，答案短也不必然被截断。合理的顺序是：先核对请求档位，再看返回字段是否完整，最后看异常能否重复。低推理用量本身不是完整判据，没有明确截断证据时保留待核实。另外，有的中转会在请求里补一段固定系统指令，带来额外输入 token；这属于计费问题，应和模型真伪分开看。

第四步，用有标准答案的难题检查能力

“这篇文章写得好吗”很难统一判分，有明确答案的推理题和对照题更适合比较。应保存题目版本、标准答案、评分办法和请求条件。正确率只代表在这组题上的表现，不等于模型全部能力，也不适合脱离样本量比较高低。本文不列站点优劣榜，具体分组的分项得分请看对应检测报告。

第五步，把单次结果和长期复测分开

独立采样应是分别发起的请求，保留各自时间和结果，不能把同一次响应复制成两份。两次结果一致有助于判断问题可重复，但仍不能证明以后一直稳定；长期漂移要看不同日期的复测。读报告时留意采样时间和是否有复测记录，单次结果只代表那一次。

Pulse 的规则是：除了 Claude 思考签名这类硬证据，任何异常都要隔开时间、两次独立采样都复现，才定为降智或疑似假模型；只触发一次的记“待复测”。下面「我们的数据」里那一行“此前单次触发、复测未复现”，就是这条规则拦下来的误判。

自己动手自查

选一条不含隐私、答案明确的短题，保留原始请求设置，记录响应、用量和时间，再在相同条件下另做一次，看错误是否重复。每次只改一个变量，不要同时改提示词、模型名和分组。发现异常时，保存脱敏后的证据：报告链接、模型和分组、北京时间、错误类型、可复现的最小步骤；密钥、完整聊天和账户截图不要公开。

也可以直接用 Pulse 在线检测或 Telegram 机器人里的检测，按统一标准跑一遍，费用由你自己的 Key 承担。

怎么读“未测”“待复核”“通过”和其他结论

未测表示还没按统一标准测过；待复核表示结论还没出来（首次采样有单次异常、有效答题太少或总分低于 90），系统会自动复测一次，复测后给出通过或未通过；通过表示在对应时间与条件下满足检测口径。三者都不是长期保证。

降智表示两次独立采样都出现推理截断、对照题答错等能力异常；疑似假模型表示身份证据（思考签名、指纹）与所请求的模型不符；疑似回放表示答案与题库原文高度一致，可能是缓存或录制的回复；不符合标准表示分组没有提供统一标准的模型或思考档，本次不作质量比较，不等于站点有问题。选中转站时，把模型质量、稳定性和价格分别检查。DeeDeeAI 为自营，不参与排名。

我们的数据

下面是 Pulse 统一标准实测的实时统计：每个分组最近一次结论的分布，以及近 30 天各触发项出现的次数。一次实测可能同时触发多项，所以触发次数之和会大于实测次数。