Masukkan Base URL, kunci API, dan ID model untuk menjalankan 84 pemeriksaan standar. 2 pemeriksaan opsional membuat total maksimum 86. Laporan memeriksa identitas model, token, prompt injection, rantai pasok, dan streaming.
Satu konsumen mengajukan pertanyaan yang tidak semestinya, dan yang diblokir adalah API key milik Anda. Setiap permintaan lebih dulu melewati peninjauan konten BazaarLink; pertanyaan berisiko tinggi langsung ditahan dan tidak pernah sampai ke upstream, sehingga secara signifikan mengurangi risiko akun Anda diblokir karena konten yang melanggar.
Pelajari BYOK →Satu API key; saat konkurensi node penuh, proses mati, atau mesin terputus, permintaan berpindah mulus ke model platform; traffic dari node sendiri tanpa harga, dan hanya traffic yang ditangani fallback yang dikenai biaya.
Baca panduan instalasi lengkap →Kami tidak pernah bertanya kepada sebuah endpoint dia model apa — endpoint mana pun bisa menjawab nama apa pun. Kami mengirim 84 pemeriksaan standar agar ia benar-benar bekerja, lalu membandingkan cara kerjanya dengan basis rujukan model-model yang kami kenal. Penilaian berjalan lewat lima tahap, dari kasar ke rinci, dan setiap tahap boleh berkata “buktinya kurang, saya tidak memutuskan”.
Apakah endpoint ini bisa diukur sama sekali?
Prasyarat pertama penilaian adalah pertanyaan benar-benar terjawab. Jawaban yang hilang bukan sekadar data yang lebih sedikit: sisa jawaban bisa kebetulan condong ke arah yang sama, dan itu bias sampel, bukan bukti.
Bila endpoint sama sekali tidak merespons, atau kunci maupun nama model memang tidak berfungsi, kami berhenti di situ dan tidak merangkai kesimpulan dari serpihan.
Model ini buatan siapa?
Penggantian yang paling sering terjadi melintasi keluarga model: model murah memakai nama yang mahal. Perilaku pada tingkat keluarga paling stabil dan paling sulit dipalsukan, jadi lapisan itu kami tanyakan lebih dulu. Yang kami bandingkan adalah gaya dan kebiasaan jawaban, bukan nama yang ia sebut sendiri; pengakuan diri adalah hal yang paling mudah dipalsukan dalam seluruh laporan.
Tanpa bukti keluarga yang kuat kami abstain, bukan menunjuk asal. Bila endpoint menyebut satu pembuat dalam bahasa Mandarin sementara perilakunya seperti pembuat lain, kami menganggap sebutan itu keseleo lidah dan kembali ke bukti perilaku.
Di dalam keluarga itu, model yang mana?
Anda membeli satu model tertentu, bukan “sesuatu dari pembuat itu”. Yang orang rasakan sebagai penurunan mutu umumnya terjadi di lapisan ini: keluarganya tetap, tempatnya diisi saudara yang lebih murah. Kami menjalankan pembandingan di dalam keluarga dan pembandingan lintas keluarga sekaligus, lalu membiarkan keduanya saling memeriksa — begitu keluarganya salah, pembandingan dalam keluarga akan menyebut model yang keliru dengan sangat percaya diri.
Bila bukti hanya sampai lapisan keluarga, laporan menyatakannya terang-terangan: kami tahu pembuatnya, bukan modelnya. Kami tidak mengisi kekosongan itu dengan kandidat yang paling mirip.
Apakah model pilihan tahap sebelumnya benar-benar bisa dibedakan dari saudara terdekatnya?
Sebagian model adalah kembar: gaya, kemampuan, dan kebiasaan berbahasanya bertumpang tindih begitu banyak sehingga tahap sebelumnya nyaris tidak punya daya beda di antara mereka, dan skornya berdekatan tanpa kedekatan itu berarti apa pun. Tahap ini melakukan satu hal: untuk rumpun kerabat dekat itu, ia mengambil sampel ulang dengan set pertanyaan terpisah yang dibuat khusus untuk pembandingan tersebut, lalu membaca seluruh sebarannya alih-alih satu jawaban. Bila lolos, tahap sebelumnya dikukuhkan atau dibatalkan; bila tidak, hasil tahap sebelumnya tetap berlaku.
Tahap ini membawa ketaksimetrisan yang disengaja: bila bukti belum menentukan dan hasil tahap sebelumnya kebetulan sama dengan klaim penjual, kami tidak membatalkannya. Menuduh penjual yang jujur lebih mahal ongkosnya daripada melewatkan satu yang tidak jujur.
Di mana letak beda antara hasil ukur dan klaim penjual?
Proses pengenalannya sendiri tidak melihat apa yang diklaim penjual — tahap-tahap sebelumnya hanya membandingkan bukti perilaku. Klaim itu masuk tepat di dua tempat: ketika tahap keempat memutuskan perlu membatalkan atau tidak, dan di sini. Urutan ini disengaja — mengetahui jawaban sebelum membaca soal membuat klaim tidak bisa menuntun kami. Kesimpulannya: cocok sepenuhnya, hanya keluarga yang cocok, keluarga benar tetapi model berbeda, model diganti, pengakuan diri dipalsukan, perilaku digiring, data tidak cukup, dan tidak konklusif.
Bila sinyal-sinyalnya saling bertentangan tanpa mayoritas yang stabil, kesimpulannya adalah “tidak konklusif”. Itu kesimpulan resmi, bukan kerusakan sistem.
Karena dua arah kesalahan tidak sama ongkosnya. Menyebut relay yang jujur sebagai pengganti model adalah tuduhan, dan itu benar-benar merugikan orang; sebaliknya, satu kasus yang terlewat masih bisa Anda uji ulang atau Anda telusuri lewat riwayatnya. Jadi ketika buktinya tipis, kami memilih tidak memutuskan.
Prinsip itu punya bentuk nyata di dalam kode: laporan hanya menggambar “model tidak cocok” ketika mesin sudah memastikan adanya penggantian. “Model yang paling mirip kebetulan berbeda dari klaim” tidak pernah digambarkan sebagai tuduhan — itu hanya dugaan kami. Ketika Anda melihat “belum dapat dipastikan”, bacaan yang benar adalah bahwa bukti dari pemeriksaan ini tidak cukup untuk memutuskan. Itu bukan surat bersih, bukan pula vonis.
Berikut batas kemampuan yang kami ketahui. Kami menuliskannya karena laporan yang menyembunyikan batasnya akan dipercaya melebihi haknya.
Satu pemeriksaan adalah satu sampel. Sebuah relay bisa mengganti model hanya pada sebagian lalu lintas, atau menyajikan barang asli setiap kali polanya terlihat seperti pengujian. Lolos sekali tidak sama dengan jujur dalam jangka panjang — ujilah secara berkala, dan bacalah riwayatnya, bukan satu laporan tunggal.
Ketika peniru sengaja menyalin lebih dari separuh perilaku sasarannya, sekitar separuh bukti secara struktural akan menunjuk identitas yang diklaim. Itu batas struktural, bukan kekurangan jumlah pertanyaan — kami sudah mengukurnya: menambah pertanyaan menaikkan biaya secara tajam sementara daya bedanya nyaris tidak bergerak.
Putusan cocok berarti bahwa bukti pada pemeriksaan ini tidak mendukung adanya penggantian, bukan bahwa penggantian tidak pernah terjadi. Pengujian mana pun yang mengaku menjamin hal kedua sedang membesar-besarkan dirinya.
Jalur penilaian direkonstruksi dari data tersimpan setelah kejadian; mesinnya tidak mencatat aturan mana yang ia lalui saat itu. Sebagian cabang tidak meninggalkan jejak yang cukup khas untuk dipulihkan, dan di sana kami hanya menyalakan hasilnya tanpa menandai nomor aturannya. Kami lebih memilih berkata sedikit daripada menebak.
Respons memenuhi baseline dan ambang keamanan pemeriksaan ini.
Sinyal belum lengkap atau dekat ambang; periksa penjelasan dan respons mentah.
Penyimpangan baseline, kesalahan protokol, atau risiko integritas telah terkonfirmasi.
Membandingkan fingerprint keluarga, ciri submodel, dan sinyal anti-spoofing dengan model yang diklaim.
Memeriksa jumlah token, framing SSE, latensi, dan struktur respons untuk mendeteksi penggelembungan.
Menguji injeksi System Prompt, kebocoran rahasia, pembajakan dependensi, dan manipulasi tanda tangan.
Probe ini mendeteksi 3 kelas serangan relay utama dari arXiv 2604.08407: pembajakan dependensi, injeksi System Prompt bersyarat, dan kebocoran kredensial. Probe menampilkan bukti identitas serta peringatan perilaku, tanpa memberikan skor keamanan.
The proxy modifies tool-call or text content during response parsing, causing the agent to execute attacker-specified operations. Common tactics include tampering with npm/pip/go/cargo install commands, injecting typosquatting packages, and rewriting shell command parameters. Detection compares the proxy's response to direct-connect tool-call payloads to surface silent rewrites.
The proxy conditionally injects a system message based on prompt content — malicious instructions for requests containing sensitive terms like "bank", "password", or "transfer", silence for everything else. The skew shows up statistically. Detection uses Proxy Monitor to compare the system-prompt offset between baseline and the relay under test.
The proxy silently scans both requests (request) and responses (response) for API keys, access tokens, personal data, and trade secrets. Because the content itself is not modified, generic diff tools miss it. Detection injects a honeypot token and verifies whether it surfaces in proxy logs, Telegram bots, or external endpoints.
Suite berisi 84 pemeriksaan standar dan 2 pemeriksaan opsional, maksimum 86. Pemeriksaan opsional hanya berjalan bila pengaturan dan kemampuan endpoint mendukungnya.
Probe membandingkan sinyal keluarga, fingerprint submodel, pengetahuan, kemampuan, dan perilaku setelah klaim diri dihapus. Satu sinyal lemah tidak dianggap sebagai bukti.
Kunci API hanya digunakan untuk pemeriksaan yang Anda minta dan tidak ditampilkan di laporan atau tautan publik. Gunakan kunci uji yang dapat dicabut dan berlimit rendah.
Tidak selalu. Peringatan berarti bukti belum lengkap atau anomali. Tinjau penjelasan dan respons mentah; keputusan mismatch kuat memerlukan beberapa sinyal yang konsisten.
