同款AI模型换家接口就变笨，是模型被换了吗？

我以前图便宜买过中转 Key，用了两周才发现回答我的根本不是 Claude。从那以后，看到谁家挂着同款模型、单价还低一截，我第一反应都是先怀疑对面的模型不对。但 Artificial Analysis（简称 AA）在 11 月 6 日更新的接口准确率指数 v1.1 给出了另一种账本：哪怕大家跑的真是同一个模型，交到你手里的效果也能差出大半。AA 测了 100 多个按用量计费的模型接口，拿去跟他们自己按官方权重搭的参考版本比，结果有近四分之一的接口表现低于参考标准。

答题纸只给一半，再聪明的模型也交不出卷

AA 的测法是拿同一套难题推理、长文档查找和工具调用去考各家接口，答对率跟参考版本一样就记 100 分（意思是和参考表现相当，不是把题全答对了），而且每次结果都带着测量日期。

分数掉得狠的，死法相当朴素。拿 GLM-5.3 Flash 来说，有两条接口把单次输出长度限制在了约 32K Token（Token 是模型处理文字的计量单位，这个上限同时管着模型能想多长、能写多长）。考到 250 道高难题组成的 HLE-250 时，模型在算题过程中要把推理步骤写出来，结果大约一半的回答在给出最终答案前，就因为撞上字数上限，写到一半被掐断了。参考版本在这套题上能答对 55%，那两条被限长的接口只拿到 22% 和 29%。另外两条同款接口虽然没被掐断，但思考内容比参考版少了约三成，难题答对率也掉到了 48%。

请了同一个会计，一家给配了十页草稿纸，另一家只给半张便签，算出来的账自然不一样。如果你买接口是为了让 AI 一步步推导复杂逻辑，或者生成长篇内容，单价再便宜，被掐掉的那半截回答也是白掏钱。

脑子没坏，但递过去的单子填错了格式

除了把话掐断，另一个让同款模型显得变笨的地方在交接环节。AA 测 Muse Spark Open 时发现，有两条接口在难题和长文档上跟参考版差不多，唯独在调用外部工具时栽了跟头。

原因让人哭笑不得：模型会想答案，但在把预订编号这类参数交给外部软件时，接口把原本要求文字类型的参数变成了纯数字格式，这项工具调用测试因此丢分。平时只是聊聊天看不出毛病，一旦用它自动查单，编号的格式就成了能否完成任务的一环。另一家独立机构 Openbenchmarks 拿 600 条会议记录查找、工单分类和合同提取去测 10 家同款 GLM 5.3 Flash 接口，同样看到了实际任务成功率的参差。

当然，第三方接口也完全能把活干好。AA 同一天公布的数据里，DeepSeek V4.1 Flash 1017 的 22 条被测接口得分都在 97.5 到 101.4 之间，和参考版本在统计上相当。

换接口前，拿自己的活去验两件事

看这类测试分数时，得先看清测量日期和测试口径。比如服务商 CoralBricks 自己公开做过一版复现测试，但只测了工具调用和长文档两项，参考来源也跟 AA 不同，直接拿不同口径的分数拼在一起比高低并没有意义。

打算换一家更便宜的接口跑业务时，光核对模型名字不够用。直接拿自己手头常跑的两类任务去试：一是需要长篇思考或长文输出的任务，检查返回结果有没有写到一半戛然而止，或者思考过程明显缩水；二是让它调用一次你常用的内部工具，专门看编号、日期这类参数的格式有没有被擅自改掉。这两关过了，省下来的单价才真能装进兜里。