用七项检查选中转站：一份可执行的评估清单

大部分人选中转站的方式是看群里的推荐、看首页写的"官方直连"、看价格表。这三样都不可验证：推荐可能带返佣，直连两个字没有定义，价格表可以随时改。下面这份清单把"稳不稳"拆成七个能当场跑出来的问题，每个问题都给出通过和不通过的样子。

一、先明确你要验证什么

中转站不是一个功能，而是四层东西叠在一起：模型是不是真的、计费是不是按它说的算、协议是不是兼容、服务是不是持续可用。四层的失败方式不同，用一种方法测不出来。

二、检查一：模型身份

同一个中文提示词发五次，记录每次的 usage.prompt_tokens 与字符数，算出 tokens/字符比。真实模型的这个比值稳定在一个窄带里：Claude 约 0.9–1.4，GPT 约 1.6–2.2，Gemini 约 0.45–0.85，DeepSeek 约 0.45–0.95。

三次以上落在带外，或者五次之间离散度超过 8%，说明后端不是你以为的那个 tokenizer。这不能直接证明"换模型"，但足以让你停下来问清楚。

三、检查二：计费口径

拿响应里的 usage 乘官方价，和站点回传的 total_cost 或扣费记录比。偏差 15% 以内算正常（汇率、四舍五入、缓存折扣都会造成小偏差），15%–50% 是观察区，超过 50% 要么倍率没写清楚，要么计费口径不是官方价。

注意三种常见陷阱：充值赠送不计入单价、缓存命中价与全价混用、按"次数"计费却按 token 宣传。

四、检查三：上下文是否真给

声称 200K 上下文，不代表 200K 都有效。做法：先在开头放一句"记住编号 X"，再在约 22.5% 位置（不超过 6 万字符）放一个针，最后提问。回答不出来，说明中间被截断或者被摘要过。

五、检查四：错误语义

用一个不存在的模型名发请求。正常的官方接口返回 4xx，并且错误体长成官方的样子（OpenAI 是 {"error":{"message":...,"type":...}}，Anthropic 是 {"type":"error","error":{...}}）。返回 200、返回 500、或者错误体是站点自己的 HTML，都说明中间有一层改写，这层改写也可能改写你的正常请求。

六、检查五：参数是否被遵守

要求模型输出一个长列表，同时设 max_tokens=16。真的遵守参数的接口会把输出截断在 16 个 token 附近；输出明显超长的，说明这个参数被忽略或改写。参数被忽略意味着你对成本和长度的控制是假的。

七、检查六：工具调用

发一个强制工具调用的请求（tool_choice 指定函数）。标准返回应该是 tool_calls（OpenAI）或 tool_use（Anthropic）结构。返回一段自然语言假装在调用函数，说明这一层没做协议转换，你的 Agent 框架会解析失败。

八、检查七：流式输出

stream=true 时，正常 SSE 会分多个 data: 块到达，首 token 时间是可测的。一次性返回整段内容再切成块的"伪流式"，首 token 时间等于总时间，长回答的体验会明显变差。

九、怎么把这些变成一次判断

七项不需要每次全跑。日常选站建议的顺序是：先跑模型身份和计费（这两项直接关系到钱和结果质量），再跑参数和工具（这两项关系到你的代码能不能跑），最后看 7 天可用性数据。四项都过再考虑长期用。

本站的检测台把这七项做成了可执行的流程，跑完会给出 PASS / WATCH / FAIL / SKIP 和对应的证据。SKIP 表示这项在当前协议下没测，不是通过。

十、几条不看的东西

• 首页写的"官方直连"：没有可验证的定义。
• 群里的推荐：无法区分真实体验和返佣。
• 价格表上的"低至"：通常是最便宜模型 + 最高充值档的组合价。
• 注册就送多少：赠送额度不等于长期价格。
• "稳定运行 XX 天"：没有采样窗口和成功率的数字没有意义。

十一、一页版清单

1. 同一提示词发五次，看 token 比例是否在家族带内。
2. usage × 官方价，与扣费对比，偏差是否小于 15%。
3. 22.5% 位置放针，看是否记得住。
4. 发一个不存在的模型，看是否返回官方形状的 4xx。
5. max_tokens=16，看输出是否真的被截断。
6. 强制工具调用，看返回结构是否标准。
7. stream=true，看是否多块到达、首 token 可测。

七项里任何一项"说不清"，都比价格贵一点更值得在意。价格差 20% 是钱的问题，模型不对是判断的问题。