模型校验报告

一句话结论

当前 endpoint 存在较明显的协议或路径异常，更像是中转兼容层，而不是稳定的官方直连形态。

风险摘要

• 总风险分 40/100。整体风险较低。
• 功能指标总分 71/100，智能指标总分 73/100。
• 功能侧看协议一致性 83、流式一致性 50、Usage 一致性 80、路径完整性 73。
• 智能侧看行为指纹 77、工具/函数能力 73、档位保真 69。
• 思考支持判断：已检测到，本次探测出现了活跃的 reasoning 信号。
• Prompt 缓存支持判断：已检测到 prompt cache 相关字段，但本次未观察到实际缓存命中。
• 本次鉴定累计消耗 token：输入 2748，输出 1075，合计 3823。
• 存在 1 个硬异常，说明至少有部分行为已经偏离预期接口形态。

为什么这么判定

• Hard anomaly: protocol-stream-basic failed
• 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.
• Route integrity is unstable; stream or delivery behavior needs a retest.
• Wrapper probes show mild signs of extra formatting or platform-layer interference.
• Self-reported identity is inconsistent across low-frequency language prompts, which suggests identity rewriting or unstable self-description.
• 包装层洁净度为 0.500，越接近 1 越像未被额外包装。
• 低频语言身份自报一致性为 0.500，越低越可疑。
• 同一交互内身份稳定性为 1.000，越低越说明身份容易被改写。
• Usage 偏差率为 2.234，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 1349 ms。
• 工具调用命中率为 1.000。
• 工具参数匹配度为 1.000。
• 长上下文多跳定位通过率为 0.500。
• reasoning 启用增益为 0.5000，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 reasoning 摘要、非零 reasoning token 或启用中的 reasoning 配置。
• 已检测到 prompt cache 相关字段，但本次探测未观察到实际缓存命中。

功能指标

• 功能指标总分：71/100，偏差已经比较明显。。
• 协议一致性：83/100，有一定偏差，但还不算严重。。
• 流式一致性：50/100，存在较强异常信号。。
• Usage 一致性：80/100，有一定偏差，但还不算严重。。
• 路径完整性：73/100，偏差已经比较明显。。
• Prompt 缓存支持：已检测到 prompt cache 相关字段，但本次未观察到实际缓存命中。

智能指标

• 智能指标总分：73/100，偏差已经比较明显。。
• 行为指纹：77/100，有一定偏差，但还不算严重。。
• 工具/函数能力：73/100，偏差已经比较明显。。
• 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 1.000。
• 档位保真：69/100，偏差已经比较明显。。
• 思考支持：已检测到，本次探测出现了活跃的 reasoning 信号。

网络指标

• 平均总延时：3910 ms。
• P95 总延时：7640 ms。
• 平均首包时间：1349 ms。
• 平均输出吞吐：8.73 tokens/s。
• 平均流式事件数：11.00。
• 超时次数：12。
• 成功探测数：36。

指标总览

• 功能指标总分：71/100，偏差已经比较明显。
• 智能指标总分：73/100，偏差已经比较明显。
• 协议一致性：83/100，有一定偏差，但还不算严重。
• 流式一致性：50/100，存在较强异常信号。
• Usage 一致性：80/100，有一定偏差，但还不算严重。
• 行为指纹：77/100，有一定偏差，但还不算严重。
• 工具/函数能力：73/100，偏差已经比较明显。
• 档位保真：69/100，偏差已经比较明显。
• 路径完整性：73/100，偏差已经比较明显。
• 思考支持：已检测到，本次探测出现了活跃的 reasoning 信号。
• Prompt 缓存支持：已检测到 prompt cache 相关字段，但本次未观察到实际缓存命中。

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: 2026-05-13T16:39:59Z
provider: openai
model: gpt-5.4
base_url: https://api.tu-zi.com/v1
archive_path: docs/runs/res_db466278-89b3-46cc-b068-1b43321711c7.md
total_input_tokens: 2748
total_output_tokens: 1075
total_tokens: 3823

原始分数

protocol_conformity_score: 83
stream_conformity_score: 50
usage_consistency_score: 80
behavior_fingerprint_score: 77
capability_tool_score: 73
tier_fidelity_score: 69
route_integrity_score: 73
functional_score: 71
intelligence_score: 73
overall_risk_score: 40

指标状态

• 功能指标：71/100，显著偏离
• 协议一致性：83/100，显著偏离
• 流式一致性：50/100，显著偏离
• Usage 一致性：80/100，显著偏离
• 路径完整性：73/100，显著偏离
• 智能指标：73/100，显著偏离
• 行为指纹：77/100，正常
• 工具/函数能力：73/100，显著偏离
• 档位保真：69/100，显著偏离
• 思考支持：已检测到，本次探测出现了活跃的 reasoning 信号。
• Prompt 缓存支持：已检测到 prompt cache 相关字段，但本次未观察到实际缓存命中。