Claude 降智是真的嗎？三種檢測方法，驗出滿血還是摻假
「降智」是中轉站把你買的高階模型換成便宜模型的俗稱。本文說明降智與摻假的差別、為什麼靠感覺判斷不可靠，以及三種可實際操作的檢測方法。
如果你買的 Claude 額度突然「變笨」了 —— 同樣的 prompt，程式碼品質下降、推理跳步、長文摘要開始漏段 —— 社群把這個現象叫「降智」。降智不一定是你的錯覺，但也不一定是中轉站的錯。本文說明怎麼區分，以及三種可以實際操作的檢測方法。
降智、摻假、滿血：先把詞定義清楚
這三個詞在社群裡混用，但指的是不同狀況：
| 說法 | 實際意思 | 偵測難度 |
|---|---|---|
| 降智 | 你買的高階模型被換成便宜模型。付 Opus 的錢，拿到 Haiku、GLM 或 DeepSeek | 中等 —— 持續性問題，做 A/B 就看得出來 |
| 摻假 | 同一個端點大部分請求給真模型，少部分偷偷換掉 | 高 —— 單次測試會通過，要統計才抓得到 |
| 滿血 | 模型確實是宣稱的那一款，且沒有被額外的 system prompt 或工具限制干擾 | —— |
「摻假」比「降智」危險得多。全部失敗的端點你三分鐘就會退租；間歇成功的端點會讓你用上好幾個月，而且每次出問題你都會先懷疑自己的 prompt。
為什麼靠感覺判斷不可靠
三個原因：
一、自我宣稱可以偽造。 中轉站只要在 system prompt 塞一句「你是 Claude Opus，由 Anthropic 開發」，任何開源模型都會照著回答。問模型「你是誰」得到的答案沒有證據價值。
二、官方本身也會變動。 預設思考強度的調整、SDK 層的問題，都會讓所有人同時覺得變笨。這種情況換中轉站無濟於事，因為根本不是中轉站的問題。
三、風格波動會誤判。 同一個模型在不同溫度、不同上下文長度下的輸出風格本來就會飄。單憑「這次答得比較爛」就斷定被換模，誤判率非常高 —— 這也是為什麼嚴謹的檢測必須用分佈比對，而不是單次取樣。
方法一：知識截止與能力邊界對照
挑一組只有目標模型答得出來、且答案唯一的問題。知識截止日期附近的事件、特定格式的長算式、特定語言的冷門語法，都屬於這類。
重點是答案要唯一且可驗證，而不是「哪個答得比較好」的主觀比較。如果端點在這組題目上的正確率明顯低於官方直連，模型八成不是宣稱的那一款。
限制：這招能分辨「不同家族」（Claude vs GLM），但很難分辨「同家族不同型號」（Opus vs Haiku），因為同家族的知識庫高度重疊。
方法二：行為指紋（model fingerprinting）
比對回應的統計分佈而非單次內容。同一個模型面對邊界題目時，回應長度、拒答傾向、特定 token 的偏好都有可重現的分佈特徵，這些特徵比內容本身難偽造得多。
這是能分辨同家族子模型的方法，但它需要一份可信的官方基準做對照，而且要跑足夠的樣本數，統計上才站得住。自己土炮做不太現實 —— 這也是檢測工具存在的理由。
方法三：隱藏 system prompt 偵測
市面上不少便宜的 Claude 額度是從其他產品的內部接口反代出來的。這些接口會自帶一段隱藏的 system prompt，用來把模型限定在該產品的用途上。
我們在實際檢測中量到過這種端點：每次請求夾帶約 2000 token 的隱藏 system prompt，模型自稱另一個產品的名字，並拒答所有非程式類問題 —— 而它宣稱提供的是通用的 Claude Opus。這種端點在 Claude Code 裡的表現就是「變笨」，因為你的指令一直在跟那段隱藏 prompt 打架。
偵測方式是量測「宣稱的輸入 token 數」與「實際計費 token 數」的落差，以及在受控 prompt 下觀察模型是否表現出非預期的行為約束。
順帶一提：降智常常和多算 token 一起出現
會動模型的端點，通常也會動 usage 欄位。這兩件事的動機相同（壓成本、提毛利），做法也都在同一層 —— 詳見Token 灌水偵測。
直接跑一次檢測
上面三種方法我們都做成了自動化測試。把端點的 Base URL 與金鑰貼進中轉站檢測，會跑完整的判定鏈並輸出 0–100 評分，包含家族判定、同家族子模型複驗、隱藏 system prompt 量測與 token 計算核對。判定過程是公開的 —— 頁面上有完整的判定樹，可以看到每個結論是走哪條分支得出來的。
一個原則值得記住：任何不告訴你判斷依據的檢測結果，都不值得相信。 包含我們的。