中转站检测工具是怎么测的：六类检测办法各能查出什么

把中转站的地址和 key 填进检测工具，一分钟后得到一个分数。这个分数是怎么来的？

各家工具的做法不完全一样，但把它们公开的说明放在一起看，用到的办法可以归成六类。知道每一类查的是什么，才看得懂报告，也才知道两个工具结论不一样时该信哪个。

本文的依据是各工具官网和开源说明里公开的内容。

六类办法一览

办法	查的是什么	最擅长发现
比对协议结构	响应的字段、编号、事件顺序是否和官方一致	中间做了接口转换
校验思考签名	Claude 思考块里的签名	后面不是官方渠道的 Claude
比对行为特征	回答的风格、知识、习惯像不像这个模型	跨厂商替换
探测能力	读 PDF、工具调用、结构化输出、长上下文是否正常	能力被裁掉
核对用量	返回的 token 数是否合理、前后一致	计费不可信
长期统计	在线率、延迟、多次检测的分布	时好时坏、偶尔掺假

一、比对协议结构

官方接口的响应有固定的格式：有哪些字段、编号以什么开头、流式输出时事件按什么顺序来。检测工具发一个请求，把响应和官方的格式逐项对照。

几家工具都有这一类检查。Veridrop 的说明里列了协议、流式和非流式的一致性、消息编号的前缀；CCTest 列了流式结构完整性和非流式结构完整性；TokensQC 列了协议一致性；大模型照妖镜列了返回协议和响应结构。

能查出：中转站把别家的模型包装成这一家的接口时，容易在格式上露出破绽，比如用量字段里带着另一家厂商的字段名。自己怎么看，见GPT 中转站背后是不是 Claude。

查不出：格式处理得仔细的转换，以及同一家厂商内部贵模型换便宜模型，后者的格式本来就完全一样。

二、校验思考签名

这一类只适用于 Claude。Claude 思考时，每个思考块带一个签名字段。Anthropic 的文档写明，它是加密后的思考内容，API 用它来确认思考块是 Claude 生成的。

Veridrop 把这一项作为 Claude 检测里权重最高的一项。CCTest 的签名校验更进一步，它说会解析签名来识别渠道来源，给出 aws-bedrock、vertex 这样的渠道标识，或者判定为逆向渠道。

能查出：响应里根本没有签名，或者签名不对。这是目前对“是不是真 Claude”最硬的一条线索。

查不出：GPT 和 Gemini 没有同类的东西；而且签名通过说明的只是这一次请求。

这里有一处两家口径不同，读报告时要知道：CCTest 把 aws-bedrock 和 vertex 归为“并非来自 Claude 官方原版渠道”；而 Anthropic 的文档把 Amazon Bedrock 和 Google Cloud 列为可以互通签名的平台。也就是说，这两个渠道来的是真的 Claude，只是不是直连 Anthropic，个别功能可能有差别。详见thinking signature 是什么。

三、比对行为特征

不看格式，看内容：给模型出一组题，把它的回答和这个模型应有的表现作比较。不同的工具叫法不同，模型指纹、行为指纹、知识问答、身份一致性，说的是相近的事。

Ofox 的模型验真主要是这一类，它的说明是比较中转站的响应和基准模型的行为特征。CCTest 的五项里第一项是模型指纹验证。Veridrop 有行为指纹、知识题和身份询问三项。大模型照妖镜列了知识问答和身份一致性。

能查出：换成了一个完全不同的模型，比如拿别家的模型冒充 Claude。

查不出的更多。Ofox 在自己的页面上把局限写得很清楚：工具不能证明接口背后的真实型号；高分表示这一次的响应比较符合基准，不是身份认证；模型更新、采样参数、系统提示词和中转站的处理都可能影响结果。

所以这一类结果最好当作辅助。其中最弱的是直接问身份：Veridrop 给它的权重只有 5%，原因见问“你是什么模型”为什么验证不了真假。

四、探测能力

让模型做几件需要特定能力的事，看它做不做得了：从一份 PDF 里找出指定的内容、按规定的结构调用工具、严格按 JSON 格式输出、在很长的上下文里找到一句话。

Veridrop 的说明里有 PDF、结构化输出、函数调用几项，以及可选的长上下文检测，后者用来发现“宣传的上下文长度很大，实际被截短”的情况。CCTest 有多模态能力一项，测图片和文档的识别。

能查出：换上来的模型不具备的能力，或者中转站没有把相关的参数转发给上游。

查不出：单看一次失败，分不清是“模型不会”还是“参数没传过去”。能力项失败还可能有别的原因，比如模型拒绝回答、输出被截断。

对用 Claude Code、Codex 的人，这一类最贴近实际体验：编程工具离不开工具调用，这里出问题，表现就是“变笨”。

五、核对用量

看响应里报告的 token 用量：有没有这个字段、数字是否合理、流式和非流式两种方式是否对得上、同样的请求多发几次是否稳定。

Veridrop 有用量和计费相关的检查，并比对流式与非流式的结果。CCTest 可以勾选“检测 token 使用量是否异常”，页面上说会发 11 轮测试请求来看实际的倍率和消费是否合理。TokensQC 列了用量字段的检查。

能查出：用量字段缺失、数字不合理、两种方式对不上。

查不出：检测工具看不到中转站控制台实际扣了你多少钱。响应里报的用量和后台的扣费是否一致，要你自己对账，办法见中转站怎么选。

六、长期统计

前面五类都是测一次。第六类是把很多次的结果攒起来看。

禾维 AI 的榜单列的是在线率和延迟，它说用真实的 API key 持续实测。Ztest 提供站点的评分历史和异常事件。Veridrop 的红黑榜汇总所有公开的检测报告，按次数加权排名。大模型照妖镜有排行榜和“真实率”。TokensQC 测首 token 延迟和输出速度。

能查出：单次检测发现不了的事。打个比方，一个站十次里有三次掺假，只测一次有七成的可能看不出来；看历史就清楚。

查不出：统计反映的是过去，也是很多人的 key 混在一起的结果，未必是你那把 key 的情况。榜单上的数字怎么读，见中转站排行榜怎么看。

为什么两个工具的结论会不一样

知道了有六类办法，这件事就好理解了：

看的东西不同。 一个主要看协议结构，一个主要看行为特征，一个主要看在线率，本来就不是同一个问题的答案。
测的时间和 key 不同。 中转站可以让不同的分组、不同的时间走不同的线路。
判定的口径不同。 比如前面说的，经过云平台的 Claude，在一家工具里是扣分项，在另一家不是。

遇到结论不一致，先看各自是根据哪一类检查得出的，再决定更相信哪个。有逐项结果的报告在这时候才显出价值：只有一个总分的话，你无从比较。

三个共同的局限

不管哪家工具、用哪类办法，下面三点都绕不开。

检测要花你的钱。 检测发的是真实的请求，由你的 key 付费。Veridrop 说标准检测大约发 12 个请求，按模型不同大约是 1 美分到 20 美分；CCTest 说通常不超过 0.05 美元，加上用量检查约 0.3 美元；Ofox 说服务商会按自己的规则计费。

你要把 key 交出去。 各家的说法不同，有的说不存储，有的说纯前端处理，有的说经过自己的服务转发、不写入结果。这些说法你大多验证不了，开源的可以自己看代码或自己部署。CCTest 和大模型照妖镜都在页面上建议用测试专用的 key。最稳妥的做法是：专门建一把 key 来检测，测完就删。

检测可能被针对。 检测请求有自己的特征，中转站理论上可以认出来，对它们区别对待。CCTest 强调自己采用黑盒模式，理由就是防止对抗。这也是为什么不能只看一次检测，而要结合历史记录和你自己的实际使用。

小结

检测工具的分数来自六类办法，各有擅长，也各有查不出的东西。
最硬的是 Claude 的思考签名；最弱的是问身份和凭行为特征猜。
单次检测发现不了偶尔掺假，要看历史。
没有哪一类办法能给出“一定是真的”的结论。几家工具自己也写明，结果不是审计报告，不承诺百分之百准确。

各个工具的对比见中转站检测工具横评。