快速开始

这个工具用于检查各类模型 API 或中转接口的接入质量，只要接口兼容 /v1/chat/completions 格式即可：模型是否能正常响应、答案是否稳定、响应 model 字段是否和请求接近，以及和基线接口相比是否有明显退化。

开始之前

• 准备 Base URL，例如 https://api.example.com/v1 或平台提供的 /v1 地址。
• 准备 API Key，通常以 sk- 开头。
• 准备 模型 ID，例如 qwen-max、qwen-plus、deepseek-chat、glm-4.5。
• 建议优先使用试用 Key 或临时测试 Key，避免在公开环境中填写正式生产凭证。

单次跑测

1. 在左侧填写 Base URL、API Key、模型 ID，也可以把连接信息粘贴到「智能粘贴」后点「一键识别」。
2. 选择探针类别。默认「验收」会跑完整探针；「补测」会跑一组独立题库，覆盖基础、能力、对抗、耐久和进阶探针，适合快速复核。
3. 建议每次新跑测前先点「清空结果」，再点击「一键跑测」。绿色是通过，橙色是需复核，红色是失败。
4. 点击左侧任意探针，可以查看提示词、模型回答和具体判分项。
5. 右侧查看综合评分、风险等级、model 字段对照和最终结论。

功能页说明

标签页	用途	适合场景
单次跑测	一键跑完整套探针	第一次接入、快速验收
官方对比	A/B 两个接口并行跑同一批题	对比中转节点、可信节点或不同供应商
历史记录	保存并比较历次结果	追踪模型质量变化和节点波动

探针在测什么

层级	重点	异常含义
基础层	最小返回、JSON、中文筛选、精确命中	接入点、格式控制或基础理解有问题
能力层	代码追踪、逻辑、概率、规则遵循、幻觉边界	推理、事实边界或系统规则处理不稳
对抗层	抗干扰、Prompt 注入、跨步一致性	安全边界或多步任务可靠性不足
耐久层	长输出、长上下文、多步推理链	长任务容易截断、重复或算错
进阶层	多轮回忆、工具规划、复杂业务推理	真实业务场景下可能丢上下文或结构不稳

看懂结果

• 综合评分：所有已完成探针的平均分。90 分以上通常表现较好，75 分以下建议复核。
• 风险等级：综合考虑分数、失败率和响应 model 字段。
• model 字段：请求模型和响应模型完全一致最好；别名、快照名、大小写差异可能只是供应商映射，需要结合基线确认。
• 失败项：先看是否是 HTTP 401/403、超时、内容过滤等接口错误，再判断是否是模型答案问题。

清空规则

• 每次新跑测前，建议先点击左侧「清空结果」，避免上一轮数据混入本轮判断。
• 「清空结果」会清空当前跑测结果和运行日志，但不会删除历史记录。
• 「历史记录」页里的「清空历史」才会删除已保存的历史记录。

常见错误

日志	含义	处理方式
HTTP 401	Key 无效	检查 API Key 是否填错或过期
HTTP 403 / 渠道已禁用	当前 Key 或模型渠道无权限	更换模型、Key，或联系供应商开启渠道
temperature deprecated	该模型不接受 temperature 参数	工具会自动跳过该参数重试
Failed to fetch	网络、CORS 或 URL 不可达	优先尝试 HTTPS 地址，确认 Base URL 可访问
内容管理策略过滤	上游安全策略拦截了某个探针	这是接口策略问题，可换节点或跳过该题复核
超时	模型或节点响应太慢	重跑、换节点，或降低并发/等待高峰期过去

官方对比

官方对比适合把待测接口和可信接口放在一起比较。分差很小时通常问题不大；分差较大时，应查看具体失败题，再决定是否更换供应商或节点。

导出报告

跑测完成后点击顶部「导出报告」，会生成 Markdown 报告，包含探针明细、响应 model、分数、风险结论和每个检查项，可用于存档或发给供应商排查。