有没有 AI 降智检测网站：结论怎么读才不会被误导

刷到一张对比图说某个模型「变笨了」，或者某个降智检测网站给出一串结论，你该信几分？多数人卡在同一处：不知道这张图是什么时候跑的、测了几条、测的是网页版还是 API。这篇不推荐工具，只给一套读结论的顺序，让你能判断哪些可以直接用，哪些必须回到自己账号上复测一遍。

刷到一张对比图说某个模型「变笨了」，或者某个降智检测网站给出一串结论，你该信几分？多数人卡在同一处：不知道这张图是什么时候跑的、测了几条、测的是网页版还是 API。这篇不推荐工具，只给一套读结论的顺序。

核心就一句：先看条件，再看结论。条件写清楚的可复现异常可以直接当排查起点；跨入口混测、只给结论不给原始输出的，只能当方向参考；凡是涉及你自己账号、套餐、地区、并发量的判断，永远得回到自己环境复测一遍。下面按这个顺序拆开讲。

先确认它到底测了什么：模型、入口、时间

检测结果必须能回答三件事：测的是哪个模型、走的是哪个入口（网页版、官方 API 还是中转）、数据是什么时候采集的。三项缺一项，结论就只能当线索不能当依据。很多人直接跳过这一步看排名，结果拿到的是自己根本用不上的场景。

同一个名字的模型在不同入口可能是不同规格：网页版会裁上下文、插系统提示，API 可能被上游限流或降档。入口写不清的对比图基本没法复现，你照着重跑只会得到不一样的结果，然后开始怀疑是自家网络的问题。

• 时间戳尤其关键，模型更新、限流策略、缓存命中都会影响输出，看到没有采集时间的结论先去核对当时的记录；
• 到 /ai-status 看服务状态，确认那段时间有没有异常公告；
• 到 /price-watch 看计费口径有没有变，口径变了输出表现往往跟着变；
• 四项（模型、入口、时间、条件）齐全的结论，可信度上一个台阶；只给一条回答截图的，直接归到不可用那一类。

样本量、问法、轮次：决定结论能不能外推

单点提问只能说明「这一次回答长这样」，不能说明模型整体水平。想支持「变差了」这种判断，至少需要多个不同题型、多次重复，观察是否稳定复现。只跑一次的截图，连统计意义上的线索都算不上。

问题设计要看是否命中你关心的能力：写代码、长文一致性、多轮记忆、指令遵循是四类不同的东西，一类掉不代表另一类掉，别拿一个题型的分数去推所有场景。多轮和单轮差别尤其大，很多所谓降智实际是上下文被截断或者历史被摘要，表现是「聊到后面开始忘事」，单轮测法根本测不出来。

判断标准：只在单轮、单题型、单次运行的结论写成「线索」；有重复、有多轮、有对照的结论才可以拿去指导决策。什么情况下不适用：你的活恰好就是那个单点题型的场景，那这条单点结论对你反而够用，不必强行追求大样本。

四类结论分别怎么用：能直接信、要打折、必须自测

可以直接用

入口、时间、样本都写清楚的可复现异常，比如同一提示词短时间多次得到明显不同质量回答，可作为排查起点

要打折

跨入口混测的排名、只给结论不给原始输出的对比、不同时期两次结果直接相减，只能当方向参考

必须自己复测

涉及你自己的账号、套餐、地区、并发量的判断，别人没被限流不代表你的没有

1. 固定变量固定提示词、参数、入口，先跑一遍你自己的基线，记下正常状态长什么样
2. 量速度到 /tools/speed-test 量一次延迟基线，把质量变化和速度变化分开看，混在一起很容易误判成降智
3. 再复测质量用同一批提示词重跑，对比输出稳定性和完整性，看是不是每次都能复现
4. 交叉看把多条不同时间的记录放到一起交叉看，站内 /benchmarks/crowd-radar 是多人多时段交叉验证的思路，可以照着整理自己的样本

复测之后还拿不准，就把质量记录和速度记录并排放，先判断是「慢了」还是「差了」，两者同时出现才更接近真正的问题。如果只是速度抖、质量稳定，优先怀疑网络和负载，而不是模型本身。

常见误读：把限速、缓存、配额当成降智

限速、额度用尽、并发排队都会让回答变短变差，这三类现象的表现和降智很像。先按症状区分，到 /tools/verify 走一遍真假在线实测，把「能不能用」和「好不好用」两个问题拆开，很多所谓降智在这个环节就现原形了。

缓存和降级策略也会影响观感，同样的提问有时快有时慢，答案质量跟着抖。判断前先确认是不是同一时间段、同一负载条件下的对比，跨时段对比基本没有意义。

• 自己的提示词越写越长、上下文塞得越满，后面几轮表现下滑是预期行为，不是模型变差；
• 把「我的用法变了」和「模型变了」分开记，两条时间线不要混在一张表里；
• 只有当同一入口、同一提示词、相近负载下稳定复现质量下降，才值得往降智方向追；
• 否则优先怀疑本地环境、网络、配额和用法变化，这四类排查完再去质疑模型。

看到结论先问条件，条件齐了再谈对错；条件不齐的图，转发之前先当它是线索。