中转站常见的掉包手法

中转站省成本的办法不止「换个模型」这一种。有的换模型,有的不换模型但砍掉上下文或推理,有的在计费上做文章。知道每种手法会留下什么痕迹,才知道该用哪种方法去查。

写于 2026 年 11 月 15 日 · 独立指南,与任何模型厂商或中转站无关

先说结论:换模型类的手法(降级、混模、开源冒充)用统计指纹和 token 计数最容易查出;不换模型的手法(截断上下文、砍推理、缓存回答)要用专门的小测试;计费类问题只能拿官方 API 对账。下面 8 种按「换不换模型」分组。

免费测一次模型指纹

换模型的手法

1. 同家族降级

标的是旗舰,给的是同一家的中小型号。回答风格像、自称也对,日常聊天很难察觉,差别主要在难题、长文和代码上。同家族通常共用分词器,所以 token 计数往往对得上,这是它最难查的地方。统计指纹能区分参考库里的不同型号,但相近版本彼此很像,最好拿官方 API 测一遍做对照,看排名和置信度是否一致。

2. 混模分流

一部分请求给真模型,一部分给便宜模型,比例可能随时段变化,高峰时段降级的情况尤其常见。特点是测一次可能完全正常,换个时间就不对。查法是同一套测试在不同时段、不同日子多跑几轮:每次指纹都指向同一个模型才算稳定,忽高忽低、排名来回变本身就是信号。

3. 开源模型冒充

拿自部署的开源模型(常常还是量化版)套上闭源大模型的名字。这类跨家族替换最好查:不同家族的分词器不同,同一段中文或代码的输入 token 数会明显对不上;统计指纹也会指向别的家族。量化对指纹的影响我们没有测过,所以如果指纹指向同名开源模型但置信度偏低,不要直接下结论。

不换模型、但打折扣的手法

4. 逆向网页版转 API

用网页版账号或免费额度,把聊天界面逆向成 API 卖。模型可能是真的,但网页版会带自己的系统提示词、参数不可控、上下文长度和官方 API 不同,你的对话还经过了第三方账号。表现是回答里莫名带有网页版的口吻或格式,设置温度等参数没效果。统计指纹对系统提示词敏感,结果可能和官方 API 对不上,这时要结合其他迹象判断。

5. 截断上下文

声称支持很长的上下文,实际把前面的内容截掉或压缩,省下输入 token。查法是「大海捞针」:在一段很长的文字开头埋一个具体信息(比如一串编号),在末尾提问,看模型答不答得出来。再对照 usage 里的输入 token 数,明显少于你发送的内容就是被截了。

6. 砍推理

推理模型按思考量计费,中转站可能调低推理强度,或者干脆换成同名的非推理版本。表现是难题正确率下降、回复变快、推理 token 数异常少。推理强度本身会让模型挑随机数的分布偏移,所以统计指纹和官方对不上时,这也是可能的原因之一。

7. 缓存回答

同样的问题直接返回之前的答案,省掉一次调用。在默认温度下,同一个开放式问题问两次,长回答一字不差几乎不可能,一模一样就值得怀疑。注意官方的提示词缓存只是计费上的折扣,并不会让回答重复,两者不要混淆。

计费上的手法

8. 虚报 token

模型是真的,但 usage 里的数字被放大,或者按「倍率」计费却不说清倍率怎么来。查法只有一个:把同一段提示词发给官方 API 和中转站,对比两边的输入、输出 token 数和最终扣费。偶尔差几个 token 正常,长期系统性偏高就有问题。

8 种手法一览

手法典型表现怎么查统计指纹能查出吗
同家族降级难题和长文变差指纹对照官方能,但相近版本易混
混模分流时好时坏多时段多轮测试能,看结果是否稳定
开源模型冒充token 数对不上token 计数、指纹能
逆向网页版参数无效、口吻怪测参数、对照官方可能对不上,需佐证
截断上下文长文前面记不住大海捞针测试不能
砍推理难题变差、变快看推理 token、难题可能对不上,需佐证
缓存回答两次回答一字不差同题问两次不能
虚报 token扣费偏高和官方对账不能

发现问题之后

  1. 保留证据:测试时间、请求参数、返回的 usage 和指纹结果截图。
  2. 换个时段复测一次,排除偶发的路由问题。
  3. 把证据发给中转站要解释。正规的服务会说明原因或退款。
  4. 解释不清就别再放敏感数据和生产业务上去。完整的检测流程见中转站是不是真模型:6 种方法对比。

常见问题

价格便宜的中转站一定在掉包吗?

不一定。批量采购、活动额度、企业折扣都能让价格低于官方。便宜只是开始怀疑的理由,要靠对照测试说话。

统计指纹查不出的手法怎么办?

截断上下文、缓存回答和虚报 token 都不换模型,指纹看不出来。分别用大海捞针、同题问两次和对账来查,这几项都只要几分钱。

测一次正常就可以放心了吗?

不行。混模分流的特点就是只有部分请求被换。至少在不同时段、不同日子各测一次,结果都一致才比较可信。

参考资料

Agents

给 AI 助手的机器可读摘要: