测一家 ↗
METHOD / VERSION 1.4 / 2026-11-10

我们怎么测的。

不是黑箱，也不是“亲测好用”。四项检测、7 天窗口、公开样本；每个结论都能回到时间和证据。样本不够，我们写“观察”。

4 CHECKS / 7D WINDOW
41,806 SAMPLES
KEY NOT STORED

01 / 定义

公开数据等级（A/B/C）是对一个中转站在 7 天窗口内的公开样本做的可复现判断。它不是永久评级，不是安全背书，也不是“推荐”。

  • A：在线率 ≥99% 且平均延迟 ≤5s（样本 <200 只影响风险标签，不改等级）。
  • B：在线率 ≥97% 且平均延迟 ≤6.5s。
  • C：其余情况。四项检测的 FAIL 只用于认证审核，当前不进入公开等级。

等级只回答一个问题：在这个窗口内，公开样本是否足以支持“稳定可用”？ 它不回答长期信誉、资金安全或法律合规。

02 / 四项检测

01

模型指纹

tokenizer 分布 + 响应 metadata + 家族探针；tokenizer ≥0.95 且 metadata 一致才算 PASS。

02

计费核对

官方价 vs 实测 usage；偏差 >3% 记 WATCH，>10% 记 FAIL。不包含充值赠送。

03

上下文针刺

在 32K 上下文中放唯一标记，检查能否完整回捞；静默截断是很多中转站的问题。

04

错误码合规

触发限流、鉴权失败、超时，检查返回码是否符合 OpenAI 规范；429→500 记 FAIL。

03 / 评分公式

综合分只用于同一窗口内的相对排序；它不是概率，也不是投资建议。

score = 0.75 × onlineRate + 0.25 × max(0, 100 − 平均延迟 × 8)
A：online ≥ 99% 且 平均延迟 ≤ 5s；B：≥ 97% 且 ≤ 6.5s；其余 C
样本 < 200 只影响“观察”标签，不改等级
GRADE
C
SCORE
69 / 100

样本不足或波动明显，先把它当作观察对象，不要一次充太多。

04 / 样本与限制

样本量决定结论的稳定性。518 次样本的 C 级和 2,041 次样本的 A 级不是同一种结论。样本不足时我们写“观察”，不写“推荐”。

  • 在线率与平均延迟取自上游客服快照的站点聚合字段；“样本量”是对渠道样本求和，两者口径可能不一致。
  • 公开样本只代表测试窗口，不能预测明天或商家的资金安全。
  • 检测会消耗少量 token；长上下文检测受网络与上游超时影响。
  • 我们不审计商家主体、资金池、数据合规或法律资质。
  • “未发现异常”不等于“安全”；“发现异常”也不等于“欺诈”。

05 / 版本记录

VERSIONDATECHANGE
1.42026-11-10错误码规范化；样本门槛 1,000；新增 JSON / 引用格式。
1.32026-11-01计费偏差阈值调整为 3% / 10%。
1.22026-10-2032K 上下文针刺；家族探针。

06 / FAQ

agentapiai.com 保存 API Key 吗？

不保存。Key 只在检测请求的内存中使用，日志只保留末 6 位指纹。

为什么样本量比评分重要？

518 次样本的 C 级和 2,041 次样本的 A 级不是同一种结论。样本不足时我们写“观察”，不写“推荐”。

榜单可以买吗？

不可以。广告与榜单分离，排序只看公开证据。

我能复现吗？

可以。每份报告都带地址、模型、样本量、时间和 JSON 证据；打开检测台用同样输入重跑即可。