一、为什么要自己做测评
中转站的服务质量会随时间变化：上游线路调整、模型上下架、限流策略变更都会影响体验。与其看别人的结论，不如用一套固定指标自己测一遍。
二、八个可验证的指标
- 接口可用率：连续 24 小时每分钟发一次探活请求，统计成功率；
- 首字延迟：流式输出场景下，从发起到收到第一个 token 的时间；
- 速率稳定性：长文本生成时每秒输出 token 的波动幅度；
- 限流策略：并发提高后是否返回 429，恢复是否及时；
- 价格一致性：页面标价与实际扣费是否一致，是否有隐藏倍率；
- 模型覆盖与更新：新模型上线速度、参数与上下文是否与官方一致；
- 用量可观测性：能否按请求导出 token、费用、耗时；
- 故障响应：报错后多久能得到明确答复与补偿方案。
三、一套可复用的测试方法
准备同一段提示词（建议用 2000 字左右的长文本任务），在目标平台跑 50 次，记录成功率、首字延迟、总耗时与 token 数，再与官方接口做对照。差额超过 20% 就要留意。
四、结论怎么写
测评结论建议只保留事实：可用率、延迟区间、价格、异常次数。避免用“最好”“最强”这类无法验证的表述，这也是内容能被长期信任的前提。