API 会不会被偷换模型
会。 你付的是某个模型的钱,但提供方可以悄悄换成更便宜的版本,标价不变。研究者用统计方法审计过真实的商业 API,确实查到了输出和官方模型不一致的端点。
学完你能做什么
- 说出偷换的几种形式
- 明白为什么光看回答很难发现
- 知道什么情况下该特别留心
偷换有哪几种
两篇论文描述了同一类问题。
UC Berkeley 的《Are You Getting What You Pay For?》(arXiv 2504.04715):用户为特定模型付费,却无法保证提供方如实提供。提供方可能换成更便宜的替代品,比如量化版本(把模型参数压缩成更低精度,省显存、省钱)或更小的模型,同时保持原价。
Stanford 的《Model Equality Testing》(arXiv 2410.20247):API 提供方为了降本或加功能,可能量化、加水印或微调底层模型,改变输出,而且不一定告诉用户。
| 偷换方式 | 提供方得到什么 |
|---|---|
| 换成量化版 | 省显存、省算力 |
| 换成更小的模型 | 降低成本 |
| 微调或加水印 | 加功能,或者改变模型的行为 |
真实审计查到了什么
《Model Equality Testing》用他们的方法审计了 2024 年夏天提供 4 个 Llama 模型的商业推理 API:31 个端点中,有 11 个的输出分布和 Meta 发布的参考权重不同。
这不代表这 11 个都是故意掉包,量化等部署选择也会造成差异。但它说明:同一个模型名,在不同提供方那里,可能不是同一个东西。
考考你审计发现一个端点的输出和官方权重不一致。能直接断定它故意掉包吗?
- 我知道“同一个模型名”不等于同一个模型
真实案例:拿 DeepSeek 冒充 Claude
上面说的是部署差异。下面是更直接的情况:花 Claude 的钱,拿到的是别的模型。
研究者记录到的“掺水”
牛津中国政策实验室(Oxford China Policy Lab)的研究员 Zilan Qian 调查了国内转售 Claude 的“中转站”。她 2026 年 5 月 5 日发表在 ChinaTalk 的文章写道:
- 中转站让开发者以低至官方 10% 的价格用 Claude,常见价格是 1 元人民币对 1 美元额度,比官方便宜 70%–90%
- 用户选的是 Opus 4.7,代理可以悄悄转给 Sonnet、Haiku,最坏的情况是 GLM 或 Qwen,再把输出标成原模型
- 因为代理夹在中间,用户无法验证请求到底去了哪个模型。往往要到复杂任务上才露馅,也就是大家说的“降智”
2026 年 8 月 16 日,她在 High Capacity 播客里说得更直接。中转站把换模型叫“掺水”:轻的是标 Opus 4.8、实际给 Opus 4.6;激进的会直接换模型,“比如拿 DeepSeek 冒充 Claude,拿豆包冒充 GPT”(原话:“swap, for example, DeepSeek for Claude or Doubao for GPT”)。她说这种有时很容易看出来,论坛上很多用户抱怨“模型突然变笨了”。
为什么这么容易做
DeepSeek 官方提供了兼容 Anthropic 格式的接口,地址是 https://api.deepseek.com/anthropic。官方文档写明:以 claude 开头的模型名也会被接受,claude-opus* 会映射到 deepseek-v4-pro,其他 claude* 映射到 deepseek-flash。
这是 DeepSeek 的正当功能,方便用户在 Claude 生态的工具里换用 DeepSeek,DeepSeek 自己没有冒充谁。问题出在中间商:中转站只要把你的请求原样转到这个地址,你请求的是 claude-opus-…,收到的回答格式也和 Claude 一样,你的代码一行都不用改,背后却是 DeepSeek。请求格式和模型名都对得上,不能证明背后是 Claude。
你的代码
model: "claude-opus-…"中转站
原样转发Anthropic 官方
api.anthropic.com真的 Claude你收到的回答
{ "type": "message", "model": "claude-opus-…", "content": [ … ] }你的代码发出请求,模型名写的是 claude-opus-…
考考你中转站的回答里格式和模型字段都是 Claude 的样子。能确定背后是 Claude 吗?
学术审计查到的
德国 CISPA 的论文《Real Money, Fake Models》(arXiv 2603.01919)审计了“影子 API”,也就是声称能间接访问官方模型的第三方服务:
- 找到 17 个被 187 篇学术论文用过的影子 API,详细审计了其中 3 个
- 和官方 API 比,性能差距最高 47.21%;45.83% 的指纹测试没能验证出标称的模型身份
- 指纹比对显示:两家影子 API 里标为 GPT-5 的端点,行为像 GLM-4 或 DeepSeek-V3;标为思考模式 DeepSeek-Reasoner 的请求,表现得像不思考的 DeepSeek-Chat
- 到论文写作时,17 家里已经有 4 家停止运营
这篇论文审计的是 GPT、Gemini 和 DeepSeek,没有测 Claude。但它说明了同一件事:标价是贵模型,指纹却指向便宜模型。
- 我知道为什么“格式对、模型名对”不等于正品
为什么很难发现
- 问它是谁没用。 Berkeley 的论文测过:模型通常只说出家族或开发者,很少说出参数量或量化状态;直接问规格,成功率不到 5%。系统提示里让它冒充别的身份时,大多数模型认不出自己
- 量化版跑分几乎一样。 量化版和原版在 MMLU、GSM8K、MATH、GPQA Diamond 上的差别通常在重复运行的一个标准差以内,被自然波动盖住了
- 同一个模型也会不一样。 不同提供方的推理设置会让完全相同的模型给出不同输出,容易误判
什么情况下该留心
- 价格明显低于官方,比如只有官方的一两成
- 简单问题正常,复杂任务时好时坏
- 回答风格、长度和你在官方渠道看到的不一样
- 提供方不说明部署的是原版还是量化版
检查点
- 偷换方式:量化、换小模型、微调、加水印
- 审计实例:31 个端点中 11 个和官方权重不一致
- 真实案例:研究者记录到中转站拿 DeepSeek 冒充 Claude;兼容接口让这种替换不用改一行代码
- 问身份、跑一次跑分都很难发现细微替换
常见误会
“我问它‘你是哪个模型’,它说是 X,就是 X。” 模型自报身份不可靠,系统提示一改它就跟着说。
“跑一遍 MMLU 分数对得上,就是正品。” 量化这类小改动在跑分上几乎看不出来。
下一节
那到底怎么验?下一节列出几种方法,以及每种能查到什么程度:怎么验证 API 是不是正品。