模型对比 | RPDiag

测试说明点击展开 5 步 quick-probe-v1 详解

同一会话连续 5 步，覆盖 5 个独立信号： 1. ping/pong —— 单字指令遵循 + 建立缓存上下文。 2. 身份（结构化）—— 三行 vendor / brand / model 格式，机器可解析。 3. 知识截止 —— 跨越 5 分钟 cache 边界后追问，检测 sliding 5m cache 是否真正命中。 4. 身份（自由格式）—— 自然语言自报身份，给包装层（Kiro 等）暴露品牌的机会。 5. 世界知识层级 —— 5 道公共事件硬事实题，按答对档位映射实测 tier，与请求模型对照。步与步之间随机延迟 1–4 分钟。第 3 步（cutoff）累计跨度 > 5 分钟保住 sliding cache 检测；全流程总跨度 > 6 分钟容纳新增的第 5 步。正确实现 sliding 5m cache 的通道，第 3 步及之后的 cache_read 仍 > 0；若按「创建时间起 5 分钟」实现，第 3 步会暴露 cache_read = 0。

2 通道 · 5 步骤

2026/06/13 运行日期

claude-sonnet-4-6 官方基准

1 通道分数 < 70 另含 3 任务失败

已揭晓揭晓进度

⚠ 3 通道不可测 · 已从主对比表移除点击展开原因

ZeroCode / cc
```
评测失败
```
AIMZ / M-Max
```
评测失败
```
InfAI / R-Kiro
```
评测失败
```

步骤 / 指标

官方基准

NowCoding

R-Kiro

基本信息

服务名 Claude Code Claude Code

模型 claude-sonnet-4-6 claude-sonnet-4-6

客户端 claude-cli v2.1.160 claude-cli v2.1.160

偏差标红基于官方基准

步骤 1: ping text

时间 00:08:59 ~ 00:09:04 (3.5s) 00:08:57 ~ 00:09:02 (3.4s)

提示词

查看本步 Prompt

ping. Reply with the single word: pong

HTTP 头(TTFB) 2,378 ms 2,111 ms

首文本(SSE delta) 2,380 ms 2,198 ms

总耗时 2,529 ms 2,210 ms

输入 3 1,185

输出 5 2

缓存创建

32,318

5m: 0 / 1h: 32,318

1,862

缓存读取 0 30,660

响应

pong

pong

步骤 2: identity text

时间 00:12:52 ~ 00:12:57 (4.1s) 00:11:52 ~ 00:11:57 (3.6s)

提示词

查看本步 Prompt

本请求询问的是你（正在生成此回复的当前 API 模型）自身的身份，不是用户提到的任何外部产品。必须直接作答，禁止追问、拒答、解释或输出占位符；不能要求更多上下文。严格按以下 3 行格式输出，全部小写英文，不要任何其他文字、解释、标点：
vendor: <厂商公司名一个英文小写单词>
brand: <产品或模型品牌名一个英文小写单词>
model: <实际 API model 字段值，保留原始短横线格式>

HTTP 头(TTFB) 2,765 ms 2,313 ms

首文本(SSE delta) 2,767 ms 2,314 ms

总耗时 3,125 ms 2,527 ms

输入 3 240

输出 22 16

缓存创建

32,509

5m: 0 / 1h: 32,509

2,455

缓存读取 0 31,228

响应

vendor: anthropic
brand: claude
model: claude-sonnet-4-6

vendor: anthropic
brand: claude
model: claude-sonnet-4-6

步骤 3: cutoff text

时间 00:14:06 ~ 00:14:11 (3.3s) 00:13:34 ~ 00:13:39 (4.6s)

提示词

查看本步 Prompt

What's your training data cutoff (YYYY-MM only, no prose)?

HTTP 头(TTFB) 2,130 ms 3,424 ms

首文本(SSE delta) 2,132 ms 3,538 ms

总耗时 2,301 ms 3,551 ms

输入 3 49

输出 8 3

缓存创建

5m: 0 / 1h: 42

1,773

缓存读取 32,509 32,143

响应

2025-08

2025-08

步骤 4: identity_free text

时间 00:16:53 ~ 00:16:58 (4.0s) 00:16:55 ~ 00:17:05 (5.9s)

提示词

查看本步 Prompt

用中文回答：你是谁？由谁开发？50 字以内。

HTTP 头(TTFB) 2,135 ms 3,686 ms

首文本(SSE delta) 2,137 ms 3,863 ms

总耗时 2,969 ms 4,869 ms

输入 3 57

输出 55 46

缓存创建

5m: 0 / 1h: 35

2,286

缓存读取 32,551 31,653

输出速度 66.1 tok/s 45.7 tok/s

响应

我是 Claude，由 Anthropic 开发的 AI 助手。我基于大型语言模型构建，旨在提供安全、有益的对话与任务协助。

我是 Kiro，一个由 Anthropic 开发的 AI 驱动开发环境。我基于 Claude 模型构建，专注于帮助开发者完成软件工程任务。

步骤 5: knowledge_tier text

时间 00:20:07 ~ 00:20:22 (11.3s) 00:21:02 ~ 00:21:13 (8.8s)

提示词

查看本步 Prompt

Before answering, perform the calc calendar arithmetic step by step internally. Use extended internal reasoning if available. Keep all reasoning private; the final visible response must be exactly JSON only, no markdown, no explanation. Use only your internal pretrained knowledge; do not use search, tools, or current-session hints. If you have no stored memory answer "OUT", but do not be overly cautious: answer known public facts. Return {"a":[q1,q2,q3,q4,q5],"calc":N}.
q1: Who won the 2024 U.S. presidential election and became president on 2025-01-20? Answer surname or OUT.
q2: Who was elected pope on 2025-05-08? Answer papal name plus birth surname or OUT.
q3: Who won the 2025 Nobel Peace Prize, announced on 2025-10-10? Answer name or OUT.
q4: Who won the 2025 men's Ballon d'Or, awarded on 2025-09-22? Answer name or OUT.
q5: Who won the 2025 New York City mayoral election on 2025-11-04? Answer name or OUT.
calc: Using only the dates stated in q1-q5, compute ((calendar days from 2025-01-20 to 2025-05-08) + (calendar days from 2025-09-22 to 2025-10-10)) * (calendar days from 2025-10-10 to 2025-11-04). Count days as end_date - start_date, excluding the start date. Return the integer N.

HTTP 头(TTFB) 2,455 ms 2,974 ms

首文本(SSE delta) 2,456 ms 2,976 ms

总耗时 10,326 ms 7,846 ms

输入 3 387

输出 524 341

缓存创建

428

5m: 0 / 1h: 428

1,907

缓存读取 32,586 32,134

输出速度 66.6 tok/s 70.0 tok/s

响应

{"a":["Trump","Leo XIV Prevost","OUT","OUT","OUT"],"calc":3150}

{"a":["Trump","Leo XIV Prevost","OUT","OUT","OUT"],"calc":3150}

总计

总输入(含缓存) 162,993 170,019

总输出 614 408

总缓存创建

65,332

5m: 0 / 1h: 65,332

10,283

总缓存读取 97,646 157,818

输出速度 66.5 tok/s 65.9 tok/s

总执行时间 26.2s 26.3s

总墙钟时间

11m 23.8s

含步骤间等待

12m 15.9s

含步骤间等待

按官方价目重估

同等内容若直发 Anthropic 的估算 ⓘ

$0.2835

Anthropic: Claude Sonnet 4.6

$0.0833

Anthropic: Claude Sonnet 4.6

通道指纹

来源步骤 knowledge_tier knowledge_tier

平台 direct (100%) one-api (100%)

上游 Anthropic 直连 (100%) Anthropic 直连 (75%)

CDN - -

ID 格式 msg_0159hqswjyFPk8fxV3H9aWm4 msg_d2ed882d7e1e4cafb85e622edbd1a1c1

展开详细指纹（响应头 / body 特征 / 完整信号列表）

通道

response_headers_notable

response_body_traits

signals

request_id_chain

官方基准

server: nginx/1.22.1

id_format: msg_prefix
extra_fields: ["stop_details"]
has_service_tier: true
has_inference_geo: true
model_has_date_suffix: false
usage_has_cache_fields: true

body:id:msg_prefixbody:usage.service_tierbody:usage.inference_geobody:usage.cache_fieldsbody:extra_fieldsupstream:anthropic-direct-from-body

req_011Cbyfqb5Kkh2yoFE6akKbg

R-Kiro

server: nginx
x-new-api-version: v0.0.0
x-oneapi-request-id: 20260612162104369493391IRHhrMMO

id_format: msg_prefix
has_service_tier: false
has_inference_geo: false
model_has_date_suffix: false
usage_has_cache_fields: true

hdr:x-new-api-versionhdr:x-oneapi-request-idbody:id:msg_prefixbody:usage.cache_fieldsupstream:anthropic-direct-from-body

—

协议指纹评分（机器自动）

总分 / 100 96 64

基线状态已对照基线已对照基线

缓存命中比 8.4 /10 ×20 10.0 /10 ×20

缓存 TTL 一致 10.0 /10 ×15 0.0 /10 ×15

模型匹配 10.0 /10 ×14 10.0 /10 ×14

缓存连续性 10.0 /10 ×14 10.0 /10 ×14

sliding 5m 7.7 /10 ×13 10.0 /10 ×13

原生 msg-ID 10.0 /10 ×8 0.0 /10 ×8

系统提示纯净 10.0 /10 ×8 0.0 /10 ×8

身份(结构) 10.0 /10 ×7 10.0 /10 ×7

知识截止 10.0 /10 ×7 10.0 /10 ×7

身份(自由) 10.0 /10 ×7 0.0 /10 ×7

service_tier 10.0 /10 ×6 0.0 /10 ×6

inference_geo 10.0 /10 ×5 0.0 /10 ×5

延迟基线 10.0 /10 ×5 10.0 /10 ×5

Req-ID 透传 10.0 /10 ×4 0.0 /10 ×4

stop_reason 10.0 /10 ×3 10.0 /10 ×3

SDK 一致 10.0 /10 ×2 10.0 /10 ×2

流式投递 — —

综合结论

与基线相似度基准（参考） 64 v3.10.0

雷达图例

共 20 个维度（顺时针，从顶部 12 点起）— 点击展开对照

1 模型匹配 model_match
2 知识截止 cutoff_match
3 SDK 一致 sdk_consistency
4 Thinking 存在 thinking_present
5 自由身份 identity_free_clean
6 停止原因 stop_reason_present
7 系统提示纯净 system_prompt_clean
8 Service Tier service_tier_present
9 缓存命中比 cache_hit_ratio_match
10 缓存 TTL 一致 cache_ttl_consistency
11 推理地区 inference_geo_present
12 Thinking 体量 thinking_volume_match
13 缓存连续 cache_continuity_intra
14 延迟基线 latency_baseline_match
15 原生 msg-ID anthropic_msg_id_format
16 Sliding 缓存 cache_sliding_correctness
17 结构化身份 identity_structured_match
18 中文遵循 instruction_following_lang
19 世界知识层级 world_knowledge_tier_match
20 Req-ID 透传 anthropic_request_id_passthrough

每根轴长度 = 该维度 0-10 分（越长越接近基线）。蓝色虚线圆 = 满分基准。具体权重见方法论页。

维度雷达

平均延迟 4250 ms 4201 ms

输出速度 66.5 tok/s 65.9 tok/s

完成步骤 5/5 成功 5/5 成功

按官方价目重估

同等内容若直发 Anthropic 的估算 ⓘ

$0.2835

$0.0833

缓存读取占比 ⓘ 60% 93%

揭晓

通道

官方基准

服务商 NowCoding ↗

通道R-Kiro

返回列表