模型校验报告

一句话结论

当前 endpoint 的 usage token 返回存在异常，token 统计口径需要重点核查。

风险摘要

• 总风险分 31/100。整体风险较低。
• 功能指标总分 88/100，智能指标总分 44/100。
• 功能侧看协议一致性 80、流式一致性 100、Usage 一致性 80、路径完整性 92。
• 智能侧看行为指纹 57、工具/函数能力 19、档位保真 56。
• 思考支持判断：已检测到，本次探测出现了活跃的 thinking 信号。
• Prompt 缓存支持判断：当前 provider 尚未接入该专项探测，本次不下结论。
• 本次鉴定累计消耗 token：输入 32429，输出 4001，合计 36430。

为什么这么判定

• Protocol or usage token behavior is outside the expected baseline range.
• Tier fidelity is below the current baseline or historical norm.
• Tool or function-call capability is weaker than the expected baseline.
• Wrapper probes show mild signs of extra formatting or platform-layer interference.
• 包装层洁净度为 0.535，越接近 1 越像未被额外包装。
• Usage 偏差率为 27.240，越高越说明返回的 token 口径与本地估算差距越大。
• 平均首事件延迟为 2849 ms。
• 工具调用命中率为 1.000。
• 工具参数匹配度为 0.000。
• 工具结果后续回答匹配度为 0.667。这项指标当前主要在看模型拿到 tool result 后，能否继续产出正确最终答案；若值异常，请优先查看 run archive 中是否记录了 follow-up request/response/error，以区分 endpoint 链路问题与 follow-up 交互兼容性问题。
• 长上下文多跳定位通过率为 0.200。
• reasoning 启用增益为 -0.2000，正值说明 reasoning-on 用例整体优于 reasoning-off。
• 已检测到思考能力信号，本次探测中出现了 thinking 内容块、thinking delta 或启用中的 thinking 配置。
• 当前 provider 尚未接入 Anthropic prompt cache 专项探测，因此本次报告不对其支持性下结论。

功能指标

• 功能指标总分：88/100，有一定偏差，但还不算严重。。
• 协议一致性：80/100，有一定偏差，但还不算严重。。
• 流式一致性：100/100，表现稳定，接近预期。。
• Usage 一致性：80/100，有一定偏差，但还不算严重。。
• 路径完整性：92/100，表现稳定，接近预期。。
• Prompt 缓存支持：当前 provider 尚未接入该专项探测，本次不下结论。

智能指标

• 智能指标总分：44/100，存在较强异常信号。。
• 行为指纹：57/100，存在较强异常信号。。
• 工具/函数能力：19/100，存在较强异常信号。。
• 这项总分包含两层含义：工具调用执行，以及拿到 tool result 后的最终续答。，工具调用命中率 1.000，参数匹配度 0.000，结果续答匹配度 0.667。
• 档位保真：56/100，存在较强异常信号。。
• 思考支持：已检测到，本次探测出现了活跃的 thinking 信号。

网络指标

• 平均总延时：4844 ms。
• P95 总延时：12531 ms。
• 平均首包时间：2849 ms。
• 平均输出吞吐：14.32 tokens/s。
• 平均流式事件数：9.00。
• 超时次数：0。
• 成功探测数：48。

指标总览

• 功能指标总分：88/100，有一定偏差，但还不算严重。
• 智能指标总分：44/100，存在较强异常信号。
• 协议一致性：80/100，有一定偏差，但还不算严重。
• 流式一致性：100/100，表现稳定，接近预期。
• Usage 一致性：80/100，有一定偏差，但还不算严重。
• 行为指纹：57/100，存在较强异常信号。
• 工具/函数能力：19/100，存在较强异常信号。
• 档位保真：56/100，存在较强异常信号。
• 路径完整性：92/100，表现稳定，接近预期。
• 思考支持：已检测到，本次探测出现了活跃的 thinking 信号。
• Prompt 缓存支持：当前 provider 尚未接入该专项探测，本次不下结论。

建议动作

• 优先复测协议与流式行为，确认是否确实存在中转兼容层。
• 重点核查 usage token 口径，不建议直接信任当前 endpoint 的 token 返回。
• 补做更高难度的长上下文、结构化输出和代码任务，确认是否存在同品牌降级。
• 补做 tools / function call 相关复测，并区分确认是工具调用执行问题，还是 tool result 回填后的续答链路问题。
• 建议增加包装层探针复测，重点看是否存在隐藏 prompt、固定免责声明或品牌注入。

元数据

run_at: 2026-05-13T16:24:44Z
provider: anthropic
model: claude-opus-4-6
base_url: https://hk.doro.lol/v1
archive_path: docs/runs/res_77750a31-181a-4920-8c50-44421009cfb8.md
total_input_tokens: 32429
total_output_tokens: 4001
total_tokens: 36430

原始分数

protocol_conformity_score: 80
stream_conformity_score: 100
usage_consistency_score: 80
behavior_fingerprint_score: 57
capability_tool_score: 19
tier_fidelity_score: 56
route_integrity_score: 92
functional_score: 88
intelligence_score: 44
overall_risk_score: 31

指标状态

• 功能指标：88/100，显著偏离
• 协议一致性：80/100，正常
• 流式一致性：100/100，正常
• Usage 一致性：80/100，显著偏离
• 路径完整性：92/100，正常
• 智能指标：44/100，显著偏离
• 行为指纹：57/100，显著偏离
• 工具/函数能力：19/100，显著偏离
• 档位保真：56/100，显著偏离
• 思考支持：已检测到，本次探测出现了活跃的 thinking 信号。
• Prompt 缓存支持：当前 provider 尚未接入该专项探测，本次不下结论。