检测原理

API放大镜 不把「自称的模型名」当结论。引擎按层级独立采集信号，再汇总为诚实度评分与 finding 列表。检测深度仅两种：标准体检与深度体检（检测页可选），满足不同耗时与证据完整度。

层级一览

下列为概念说明；具体探针与阈值随版本迭代，以报告内 findings 为准。

L1网络与可达性

DNS、TLS、延迟与连通性基线，排除「假在线」与明显的网络欺骗。

L2协议层

OpenAI 兼容端点的请求 / 响应形状、流式协议与错误语义校验。

L3元数据

响应头、模型字段、版本信息与声明一致性，发现「挂羊头卖狗肉」的早期信号。

L4Tokenizer 指纹

本地 tiktoken 与返回内容的 token 统计对齐，模型「计数习惯」难以伪造。

L5概率与分布

在支持 logprobs 时采样概率结构，与参考分布做交叉比对（如 KL 风格度量）。

L6能力标尺

受控探针任务衡量推理、知识与指令遵循，区分「能答题」与「像某模型」。

L7风格与口吻

输出层面的文体、偏好与安全边界痕迹，辅助判别是否同一族模型。

L8架构信号

从工具调用、结构化输出与内部路由痕迹推断后端架构是否匹配声称。

L9性能画像

TTFT、TPS、流式分块节奏等物理特性；缓存命中与号池切换常体现在这里。

L10一致性

重复请求下的稳定性与漂移，识别路由抖动、降级或偷偷换模型。

L11计费与经济信号

用量 / 计费相关响应与行为是否与声称的模型档位、定价一致。

L12号池与渠道

system_fingerprint 多样性、Tier 推断与降级率等，将渠道归入可解释的档位。

L13对抗与稳健性

轻量对抗探针观察模型是否出现异常捷径或防护不一致。

L14综合验证

贝叶斯框架在所有层证据汇总后做最终一致性判定，给出统一诚实度评分。