Claude API中转站Skill实测：水太深了

昨天一位朋友送了我一句话，听上去还挺有分量——他说我是个“Claude 科学家”。 说实话，这个称号背后，全是血泪史。我的 Claude 官方订阅账号，前前后后已经被封了四个原价的 Max 档位。后来索性买了一台新 Mac mini，结果没撑几天，也凉了。封号封到我开始怀疑人生。 但话说回来，Claude 这个东西，它就是绕不过去。只要深度用过一段时间，你一定会明白它在文字质量、上下文连贯性，尤其是处理长文逻辑结构时的差距。那种细腻度，真不是玄学。 所以问题就来了：我必须用 Claude，但我的路已经被彻底堵死了。 出路在哪？只能转向 API 中转站。 中转站这东西，我用了两个月。过程中最折磨人的一点是——它彻底是个黑盒。你根本不知道 API 背后接的到底是什么模型，然后，就被当成了韭菜。 市面上确实有些推荐中转站的网站，倍率标得很清楚，低的 0.3 倍，高的 1.8 倍、2.0 倍。看上去信息透明，但实话讲，你真能看懂那个倍率代表什么吗？ 从长期使用的情况来看，0.3 倍率的平台，据说是用 Kiro 逆向出来的 Claude；2.0 倍率的，则被认为是正经从 Claude Max 号池接出来的 API。听起来后者肯定靠谱一些，毕竟倍率差了好几倍，价格摆在那里，总不能拿假货糊弄人吧。所以一开始我也是这么想的。 日常完成一件文书类工作，走完一套工作流，用 0.3 倍率的平台大概要花 5 毛钱；而换成 2.0 倍率的，一次就要 15 到 30 块。2.0 倍率嘛，行业里普遍的共识是，那是正经的 Claude Max 号池接出来的 API。 但用了一段时间之后，有一件事让人越来越发虚——有时候觉得模型挺聪明的，有时候又明显不对劲。这种飘忽不定的体验，让我心底始终悬着一个问号：这玩意儿背后到底是哪个模型？ 花了大价钱，按理说心里该踏实了，但恰恰相反，心里反而更虚了。效果不能确定，时而好，时而不行。这种感觉，就像不知道自己是不是交了智商税，比直接用一个明知是假的模型还折磨人——因为你就是没办法做一个确定的判断。 所以，决定自己动手，把这件事彻底搞明白。从今年 1 月开始，花了几个月时间，研究怎么系统地验证一个 API 背后模型的能力，并把整个流程封装成了一个 Skill。 先说结论：信任中转站，真的不如路边拜个野佛。 ---

你怎么知道中转站的 Claude 是真是假？

这个问题可以说困扰了所有人。中转站的模型，到底是不是正经的 Claude？ 目前的市面上和各个社区里，主流验证方法大概这么几种。 第一种：直接问。上去就问 API：“你是不是 Claude？”说实话，通过 API 接口写一个完整的系统提示词，这种方式基本就是摆设。太好造假了。背后接一个 DeepSeek，改个名字说自己是 Claude Opus 4.8，API 验证层面根本看不出来。 第二种：稀奇古怪的提示词工程。用各种奇异的提示词去套模型，看输出质量或者某些特定的输出结果。这种方法在 2024 年可能还凑合，但两年过去，中转站连这都不需要做多复杂的处理就能应付过去，基本已经彻底失效。这招连中转站看了都要笑。 第三种：在线检测网站。有些网站号称能检测 API 中转站是否掺水。我试过，整个检测流程 15 秒就全跑完了。从原理上说，这就不可能。正常答一道题，模型本身就要花几秒时间。更何况中转站 API 的 token 输出速度和路径稳定性本身就是问题，接入量一大，延迟和截断是家常便饭。15 秒能测出什么？测一道题的格式对不对还行，测模型的知识正确率和综合能力，天方夜谭。 那到底应该怎么办？

我的思路：不测真假，测差距

从今年 1 月开始，我就在研究怎么验证模型能力这件事。 最开始想到的就是 Benchmark。但调研了一圈下来，发现情况比想象中复杂得多。一方面，Claude 官方晒出来的那些分数，背后用的数据集基本都是内部私有的。比如 Claude Sonnet 4.6 的 System Card 里明确提到，他们测 Terminal-Bench 2.0 时用的是 Terminus-2 harness，还专门关了思考模式做了资源分配处理。SWE-bench Multimodal 干脆直接说用了“internal implementation”，分数根本不能和公开榜单直接比较。你拿到手的只是一个最终数字，题库本身并不公开。 但另一方面，其实大量公开 Benchmark 是一直存在的。像 SWE-bench Verified、GAOKAO-Bench、C-Eval、GSM8K、MMLU 这些数据集都是开源的，题库稳定，谁都可以测。CAICT 2024 年的一份报告就统计过，当前主流评测数据集中，开源的大概占 69%，闭源的只占 31%。 所以关键问题是：怎么用好这些现成的公开数据集来验证中转站？ 调研到这里，我换了个思路。不一定非要用最新的 Benchmark 不可，既然那么难拿到手。这里有一个夜深人静时才突然想明白的反直觉点：每次 Claude 或者 OpenAI 推出新模型，前半个月到一个月，这个模型本身就是降智的。但无论怎么降智，肯定还是比很多国产模型强。所以大家默认的认知是：新模型发布之后，默认它比上一代强很多，旧 Benchmark 根本没有测试的必要了。 但这个认知，大错特错。新模型确实比旧模型强，但强归强，旧题库它未必能全做对。而且 Benchmark 的数据集本身是公开且相对稳定的，用它来做对比验证，反而是最靠谱的方式。 所以思路就变成了：不追求给出“yes or no”的答案，而是找一个参照物做对比。找一个基础模型，用同一套题库测出分数，再测目标 API 的分数，两个分数一对比，就能知道这个 API 到底是掺了水，还是真货。

Skill 是怎么做出来的？

说干就干。我做了一个完整的验证中转站 API 知识能力的 Skill，并设计了一套打分机制。 具体来说，从 GitHub 上找了 10 个高 Star 数的项目，每个项目里都有对应的 Benchmark 数据集和验证脚本。这些数据集来源非常多样，涵盖中文高考题、推理题、数学题、语言题、编程题，覆盖面挺广。 Skill 的设计逻辑如下：第一步，做 API 兼容性，可以接 OpenAI 接口，也可以接 Anthropic 接口。第二步，从这 10 个项目里构建一个完整的 manifest，把数据集统一整合起来。第三步，按顺序用这些题去请求目标 API，每答完一题就写入 JSONL 文件。第四步，用打分器判分——有些项目自带打分器，直接使用；有些需要自己写。第五步，所有题跑完之后，把结果聚合成一个加权 MCS 分数。 实际使用中，发现中转站 API 非常不稳定，经常会出现截断。这个 Skill 设计了一个关键能力：用 Claude Code 或 Codex 跑的时候，AI 本身会介入，当 API 答题被截断时，可以让 AI 帮忙重新做一遍这道题。这样最终评分不会因为格式问题出现大面积零分。 做完之后，这个 Skill 总共包含 726 道题，从 10 个项目里挑出来的精华部分，每个题目都有索引。每题会得到一个 item_score，通常是 0 或 1，少数 instruction-following 题目可以是 0.5。 MCS 的计算方式是：各能力维度分数按权重加权取平均。

测完数据，结果让人心态崩了

先说基准模型。DeepSeek V4 Pro 本身效果不错，关注度也高，而且 DeepSeek 官方 API 比较稳定，用起来放心。最终得分：66.76 分，满分 100。在推理、数学、中文、编程几个维度上表现都还可以。 然后就是重头戏。一直用的那几家平台，标注的都是 Claude Opus 4.8 的 API。这几家平台是某些检测中转站的网站里推荐的，用了挺长时间，用的时候心里一直犯嘀咕——有时候感觉挺聪明，有时候又觉得不太行。 跑完整个题库之后，心态直接崩了。花了那么多钱买的模型，最后得分多少？59.73 分。不如 DeepSeek V4 Pro。当然这里不是批评 DeepSeek 不行，而是说花了大价钱买 Claude，结果效果还比不上价格更低的产品。去掉 Data Structure 这一项，它的数学推理、Coding 能力，得分也都低得离谱。 光是一次日常行政任务润色，就要花将近 30 块钱，结果买了个这。 不死心，又测了另一家。这家倍率是 2.0 倍率。在懂行的人眼里，2.0 倍率算是正经 Claude 的基准线。低于 1.5 倍率大家会觉得太便宜不像真的，2.0 倍率大家普遍觉得应该是真货。再跑一遍，结果：51.55 分。推理、数学、编程分数跌得更惨。到这里，人是彻底麻了，透透的那种。 最离谱的是成本对比。DeepSeek V4 Pro 跑完整套题，用了不到 100 万 token，花了 9.97 元。而那两家自称正经 Claude Opus 4.8 的中转站，一个花了 35 元以上，一个花了近 20 元。这还是 726 道旧题，DeepSeek V4 Pro 大概不到一小时就跑完了，中转站 API 不稳定，跑了将近两小时。所以，那些号称十几秒就能测出模型知识能力的在线检测，有多不靠谱，你自己心里应该有数了。 简单说下怎么跑这个 Skill。需要用 Codex 或者 Claude Code，因为它本身依赖 AI 能力来处理截断和异常。如果 50 道题全是零分，问题大概率不在 API，而是打分器或格式出了固定 bug，需要人工介入修复。

叠甲时间

必须承认，这个 Skill 目前还是非常初级的版本，用的数据集也比较旧。它只能作为一个小参考，不能拿来判定某个 API 到底是不是正经 Claude。因为官方 Benchmark 你基本拿不到，所以也没办法给出更精准的答案。 当然，如果有人能非常便捷地测出一个 API 是不是正经 Claude，那中转站这个生意就没法做了，对吧。 但问题在于，这个行业连“初级”的验证标准都没有。消费者花着真金白银，连自己买的到底是不是 Claude 都不知道。这件事本身就不对。重要的事情说三遍。 如果只靠这个 Skill，你依然需要花费 1 小时以上的时间去验证，甚至要花 30 到 50 块钱，这个门槛对于验证中转站 API 来说，依然不现实。如果大家有其他更好的验证中转站 API 的想法，欢迎在评论区留言。 最后，希望大家玩得开心。感谢你的阅读。