怎么判断AI中转站有没有掺水降智，为何会这样

同一个模型名，今天答得利索、明天开始绕圈子、拒答变多、回答明显变短，你分不清是自己提示词写歪了、上游临时抖动，还是这家站悄悄换了便宜模型或砍了参数。这篇不承诺一次测出真相，只给你一套能自己复现的探测题库、日志比对顺序，以及什么情况下结论不成立。

同一个模型名，今天答得利索，明天开始绕圈子，拒答变多，回答明显变短。你分不清是提示词写歪了、上游临时抖动，还是这家站悄悄换了便宜模型、砍了参数。

这篇不承诺一次测出真相，只给一套能自己复现的探测题库、日志比对顺序，以及什么情况下结论不成立。测出来有问题，不代表一定要马上换站；测不出问题，也别当成长期保证。

中转站为什么会掺水：动机比手法更重要

先看利益结构。按量计费的上游成本，和对外售价之间如果差得离谱，掺一个低价模型或者截断上下文，就是最省事的填坑方式。判断动机能帮你决定要不要继续投入测试精力：价差正常、口碑稳定的站，值得花一晚上做基线；价格明显不合常理的站，先做一次快速探测就够了。

不适用的情况要先讲清：如果只是偶尔一两次回答不顺，先怀疑本地网络和提示词，别直接下掺水结论。这类现象在后面的对照测试里会单独排除，单次异常不进入判断。

题库怎么搭：几组小而稳的测试题

固定题组要能区分模型：选不同模型答案风格差异明显、又不依赖时效信息的题。比如固定格式的约束输出、特定语言风格的改写、需要多步推理的小算术链。每组存下同一时间点的结果当基线，之后每次重跑都跟这份基线比，而不是跟记忆比。

• 约束题：要求按固定模板输出，看格式合规率，这是换模型后最先崩的地方
• 风格改写：给一段平实文字要求换语气重写，不同模型的行文习惯很难完全一致
• 多步推理链：出几道需要连续推导的小题，看它是否跳过步骤
• 长文定位探针：塞一段长文本，要求定位靠前位置的具体细节，看它是真读完了还是只看了尾巴
• 稳定性题：同一提示词连跑多次，记录输出长度、拒答率、结构合规率的变化趋势

把每次测试的原始请求、时间、返回正文原样存档，别只留截图。后面做日志比对时，原始响应才是证据；截图无法证明你当时发的是什么。存档用纯文本或 JSON 都行，关键是能回溯。

日志比对：按这个顺序排查才不乱

1. 第一步：比元信息看返回里的模型标识、响应结构、流式输出是否完整、有没有被插入的额外字段。站点改写响应通常在这里露馅，不用看内容就能发现。
2. 第二步：比用量口径同一提示词多次调用，把返回的 token 计数和你本地估算放在一起看，是否长期系统性偏低或偏高。差异过大说明中间有人截过内容，具体怎么估可以到站内的用量对账相关页面参考。
3. 第三步：比时延分布先去站内测速页量出自己的网络基线，再看模型侧耗时。如果耗时突然整体下台阶，而质量也同步下降，换便宜模型的嫌疑就大；如果只是网络侧变慢，那还是线路问题。
4. 第四步：逐题比对答案把基线题组的当前结果和存档结果并排看，重点看格式合规率和拒答模式，而不是单题对错。单题对错受随机性影响大，模式和趋势才有判断价值。

定价和计价口径本身也值得看一眼，掺杂往往发生在价差过大的地方。到 /price-watch 核对当时的数字，跟官方渠道对照，价差异常的站更值得跑一遍上面的探测流程。

什么情况下这套结论不成立

第一类：上游官方自己升级或调整策略，行为变化是真实的，不是掺水。判断前先确认同一时段官方渠道的表现有没有一起变，一起变就说明不是你手上的站的问题。

第二类：你的账号被限速、额度将满或者触发了平台风控，也会表现为变慢变短。这类要先在站内的服务监控和用量对账页面排除，而不是从模型质量上找原因。

第三类：站点更换线路、加缓存或者做合规过滤，会让回答风格变化，但模型没换。只有元信息、用量口径、答案风格三处同时异常，才值得怀疑掺水。三处只有一处异常时，先按线路或过滤问题处理。

结论只对测试窗口有效。隔一段时间重跑同一题库，看变化是趋势还是偶发，别把一次测试写死成永久判断。