METHOD / VERSION 1.4 / 2026-11-10
我们怎么测的。
不是黑箱，也不是“亲测好用”。四项检测、7 天窗口、公开样本；每个结论都能回到时间和证据。样本不够，我们写“观察”。
01 / 定义
公开数据等级（A/B/C）是对一个中转站在 7 天窗口内的公开样本做的可复现判断。它不是永久评级，不是安全背书，也不是“推荐”。
- A：在线率 ≥98%、P50 ≤5.1s、样本 ≥1,000，四项无 FAIL。
- B：在线率 ≥95%、样本 ≥300；存在 WATCH 或样本不足。
- C：在线率 <95%、样本 <300，或四项存在 FAIL。
等级只回答一个问题：在这个窗口内，公开样本是否足以支持“稳定可用”？ 它不回答长期信誉、资金安全或法律合规。
02 / 四项检测
01
模型指纹
tokenizer 分布 + 响应 metadata + 家族探针；tokenizer ≥0.95 且 metadata 一致才算 PASS。
02
计费核对
官方价 vs 实测 usage；偏差 >3% 记 WATCH，>10% 记 FAIL。不包含充值赠送。
03
上下文针刺
在 32K 上下文中放唯一标记，检查能否完整回捞；静默截断是很多中转站的问题。
04
错误码合规
触发限流、鉴权失败、超时，检查返回码是否符合 OpenAI 规范；429→500 记 FAIL。
03 / 评分公式
综合分只用于同一窗口内的相对排序；它不是概率，也不是投资建议。
score = 0.75 × onlineRate + 0.25 × max(0, 100 − P50 × 8)
A：online ≥ 99% 且 P50 ≤ 5s；B：≥ 97% 且 ≤ 6.5s；其余 C
样本 < 200 只影响“观察”标签，不改等级
A：online ≥ 99% 且 P50 ≤ 5s；B：≥ 97% 且 ≤ 6.5s；其余 C
样本 < 200 只影响“观察”标签，不改等级
81.8%
5.6s
775
GRADE
C
SCORE
69 / 100
样本不足或波动明显，先把它当作观察对象，不要一次充太多。
04 / 样本与限制
样本量决定结论的稳定性。518 次样本的 C 级和 2,041 次样本的 A 级不是同一种结论。样本不足时我们写“观察”，不写“推荐”。
- 公开样本只代表测试窗口，不能预测明天或商家的资金安全。
- 检测会消耗少量 token；长上下文检测受网络与上游超时影响。
- 我们不审计商家主体、资金池、数据合规或法律资质。
- “未发现异常”不等于“安全”；“发现异常”也不等于“欺诈”。
05 / 版本记录
| VERSION | DATE | CHANGE |
|---|---|---|
| 1.4 | 2026-11-10 | 错误码规范化；样本门槛 1,000；新增 JSON / 引用格式。 |
| 1.3 | 2026-11-01 | 计费偏差阈值调整为 3% / 10%。 |
| 1.2 | 2026-10-20 | 32K 上下文针刺；家族探针。 |
06 / FAQ
docai.cc 保存 API Key 吗？
不保存。Key 只在检测请求的内存中使用，日志只保留末 6 位指纹。
为什么样本量比评分重要？
518 次样本的 C 级和 2,041 次样本的 A 级不是同一种结论。样本不足时我们写“观察”，不写“推荐”。
榜单可以买吗？
不可以。广告与榜单分离，排序只看公开证据。
我能复现吗？
可以。每份报告都带地址、模型、样本量、时间和 JSON 证据；打开检测台用同样输入重跑即可。