公开模型质量检测

MODEL QUALITY LAB公开模型质量检测

免登录用你自己的 Key 跑一组公开题：图形表达、数学推理、指令遵循、代码正确性、结构化输出、工具调用与知识库时间共 7 类套件、最多 11 题。先确认接口能不能正常返回，再看模型是否真的具备宣称的能力；Key 只用于本次检测，不落盘，报告可下载留存。

免登录 · Key 不落盘

检测结果

等待开始

READY

⌁

输入模型连接信息并选择检测套件，结果会在此处生成。

响应质量稳定性基础能力

HOW IT WORKS

填接口填 OpenAI 兼容的 API 基地址（中转站地址和官方地址都行，带不带 /v1 都能识别）与模型密钥。Key 只用于本次检测，不写入本站数据库，也不写入浏览器存储。
取模型点「点击获取模型」读取上游 /models 列表并选中要检测的模型 ID；接口不返回列表时可以直接手工填。页面不会根据名称推断真实模型身份，只按接口返回的 ID 记录。
选题库七类套件按需勾选，默认全选共 11 题。只关心某一项能力时可以只留对应套件，既省时间也省自己的额度；推理强度按接口支持情况选高、中、低。
读报告提交后页面显示排队与逐题进度，结果区给出总分、逐题判定与原始回答。「下载报告」可保存 JSON 留档，最近记录只保存在当前浏览器里。

CHECK ITEMS

用「鹈鹕骑自行车」这类直观的 SVG 观察题看模型的图形表达与指令遵循。它只反映表达效果，不单独决定模型是否达标，适合做第一眼的直观对比。

3 道分步计算题，检查模型是否给出可核对的过程与正确结果。只看最终数字容易错过「过程错但凑对答案」的情况。

2 道带格式约束的题（字数、结构、禁用词等），检查模型是否真的按要求回答，而不是给出通用长篇解释。

2 道代码题，检查算法逻辑与边界处理是否完整；判定看的是可运行的正确思路，不是代码长度或注释多少。

1 道严格的 JSON 题，检查字段名、字段类型是否正确，以及有没有夹带解释文字或 markdown 代码块。

1 道 function calling（函数调用）题，检查是否正确选择函数并给出合法参数，而不是把调用写成普通文本。

1 道时效题，检查模型的知识截止时间与是否编造：答不出应当承认不知道，硬编一个日期即判未通过。

FAQ

检测会不会保存我的 API Key？

不会。Key 只用于你当前浏览器发起的检测请求，检测完成后即随请求生命周期释放；本站不把它写入数据库、日志或浏览器存储。历史记录里只保留模型 ID、地址域名与结果，建议始终使用临时 Key 做这类检测。

检测结果能说明模型是不是「掉包」吗？

能给出强力线索，但不是司法级证据。如果接口宣称的是旗舰模型，却在多类基础题上系统性不达标、响应格式明显简化或知识时间严重滞后，就值得怀疑；反过来，全项通过也不能证明上游一定是官方通道，只能说明这次检测时点的能力表现符合预期。

一次检测要消耗多少 token 和费用？

七项全选最多约 45,056 输出 token，实际用量取决于模型回答长度，通常远低于上限。费用按你自己接口的单价结算，本站不收取任何费用；想省钱就只勾选关心的套件。

为什么有的题显示「接口报错」而不是「未通过」？

两者分开统计是有意的：接口报错说明请求没成功到达或没拿到合法响应（401 鉴权失败、404 模型不存在、429 限流、5xx 上游异常等），属于服务可用性问题；「未通过」说明请求成功但模型能力没达标。前者先查配置和上游状态，后者才谈能力。

七项全选和只选一项有什么区别？

全选给出的是综合能力画像，适合选型前做一次体检；只选一项适合针对性排查，例如只测「结构化输出」验证某个接口对 JSON 模式的兼容性。判定标准不因套件数量变化，总分只按实际勾选的题计算。

检测报告会保留多久？

登录后提交的报告会自动归档到用户中心，可长期回看和下载；未登录只能凭临时链接查看。浏览器本地历史记录只存在你自己的设备上，可以随时用「清空」按钮删除，删除后本站无法恢复。

能不能检测非 OpenAI 兼容的接口？

目前只支持 OpenAI 兼容协议（/chat/completions 与 /models）。Anthropic 原生协议、Gemini 原生协议需要中转层转换后再测，或者改用本站的鹈鹕 SVG 测试页。

为什么同一模型两次结果不一样？

大模型输出本身有随机性，长回答尤其明显；另外中转站的负载、限流与路由切换也会影响表现。判断稳定性建议在相近时段多跑几轮，看的是多次结果的分布，而不是单次得分。

题库与判分规则由本站维护，每类题库逐项公开；检测结果反映检测时点的表现。