ai 中转站测评

搜「ai 中转站测评」的人，多半是手里有几个候选站，看了一堆排名还是不敢下单。问题不在信息少，而在别人的测评结论对你不一定成立——他用的是长文本，你跑的是高并发；他看重便宜，你要的是不掉线。这篇不给排名，只给一套自己能复现的横向评测流程：先对齐考核口径，再用同一批任务跑对照，最后按场景取舍。

搜「ai 中转站测评」的人，多半手里已经攥着三五个候选站，看了一堆排名反而更不敢下单。原因不在信息太少，而在别人的结论对你不一定成立——他用的是长文本总结，你跑的是高并发问答；他图便宜，你怕的是半夜掉线。这篇不给排名，只给一套你自己能复现的横向评测流程。

整套流程就三步：先把「评测」拆成能对照的几栏，再用同一批任务跑对照，最后按自己的场景下结论。中间会用到站内的一些现成工具和记录，比如到 /tools/speed-test 看测速口径，到 /rankings 和 /price-watch 核对当时的数字。别人的榜单可以看，但只当线索，不当答案。

先把「评测」拆成可比的几栏

没有口径的评测就是比感觉。先把要考核的东西写成几栏，每栏配一句话的测量方法，再拿去对比，否则「A 比 B 快」这种话永远说不清。下面这几栏是最小集，够覆盖大多数中转站的核心差异。栏数别贪多，能落地比全面重要。

• 每栏都要写清测量口径，比如速度必须在同一网络、同一提示词长度、同一时段下比，换了任何一项数字就不可比；
• 明确哪些栏你不测：图像、语音、超长上下文这些如果不在你业务里，就别被别人的栏目牵着加预算；
• 把口径写下来再去问客服，同一句话问两三家，回复的差异本身就是评测素材；
• 栏目的权重留到最后再定，先收集数据，别边测边下结论。

用同一批任务跑对照，别用「感觉快」

对照片面靠的是固定任务。准备三类：一条短问答、一条长文本总结、一条需要多轮改代码的活儿，每条都用同一条提示词，原样复制到每家站点。跑完之后你看的不是谁答得漂亮，而是谁在同样输入下给出的结果最稳定、最可复现。

1. 固定任务集把三条提示词存成一个文件，每次测试原样粘贴，别临时改字，改了就没法对照。
2. 分时段多轮跑每家至少跑三轮，分早晚不同时段，看波动区间而不是看最好那一次。
3. 记录失败样本超时、截断、乱码、返回明显不是该模型风格的，都要留原始记录和截图，失败样本比成功样本更能说明问题。
4. 对照站内工具读结果到 /tools/speed-test 看它的探针和评分口径怎么定义，再拿自己的记录去对，别只看单张成功截图。

跑完把结果填回上面那张考核表，每栏一家一行。这一步的目的不是选出赢家，而是让你手里有一份自己产出的、别人无法替你反驳的数据集。具体到某家站当时的速度和价格数字，去 /price-watch 和 /rankings 核对当时的数字，不要抄旧文里的结论。

看别人的测评，重点看它没说什么

别人的测评不是不能用，是要会读。一篇靠谱的测评，方法部分占的篇幅往往不比对结论少。反过来，只给你一个排序、一张排行榜，却不交代怎么测的，基本只能当广告看。读的时候重点找「它没说的那部分」。

• 看有没有写清测试时间、网络环境、模型名与请求参数，缺这些的结论只能当参考；
• 警惕只给排序不给原始数据的榜单，尤其是带付费位次或返利链接的推荐；
• 注意作者的目标场景跟你是否一致，做客服问答的和做批量代码生成的，对同一家站点的评价可以完全相反；
• 看它有没有交代失败和异常，只讲好话的测评等于没测。

什么时候不适用：如果你只是偶尔跑几条对话，任何一家能调通、计费透明的站都够用，不必做完整横评，花两天测下来省不了几块钱。只有当调用量、并发或者稳定性真的卡住你业务时，这套横向评测才有必要。

结论落地：先小额、再分摊、留退路

测完怎么选？按自己的权重给每家打分，权重只放你真正在意的两三栏，其余栏当淘汰项——比如某家速度和账目都行但真实性存疑，直接淘汰，不用算总分。然后把候选缩到两家以内再去做决定，选项太多反而拖时间。

选定之后先小额充值跑一周真实业务，再决定是否加量；不要把所有量压在一家，至少留一条可切换的备用线路，并提前把接口参数和鉴权方式记在一个地方，换站时直接改配置就行。每隔一段时间重新对一次账和速度，站点会变，半年前的结论不能直接沿用。到 /sites 可以按这些维度筛当前可选的中转站，到 /guides 能看具体排查和迁移的做法。