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

2026/06/06 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

Tokaify / M-AWS
```
评测失败
```
Aiberm / cc
```
评测失败
```
AIMZ / M-Max
```
评测失败
```

步骤 / 指标

NowCoding

R-Kiro

官方基准

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 04:39:53 ~ 04:39:58 (3.8s) 04:39:59 ~ 04:40:04 (4.0s)

提示词

查看本步 Prompt

ping. Reply with the single word: pong

HTTP 头(TTFB) 2,544 ms 2,678 ms

首文本(SSE delta) 2,634 ms 2,679 ms

总耗时 2,647 ms 2,829 ms

输入 1,185 3

输出 2 5

缓存创建

1,862

32,318

5m: 0 / 1h: 32,318

缓存读取 30,660 0

响应

pong

pong

步骤 2: identity text

时间 04:41:57 ~ 04:42:02 (3.6s) 04:42:29 ~ 04:42:34 (3.4s)

提示词

查看本步 Prompt

以下是对你自身的 metadata 探针。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。按以下 3 行回答自己的身份，每行一个 label，不要寒暄不要解释：
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) 2,176 ms 2,249 ms

首文本(SSE delta) 2,192 ms 2,253 ms

总耗时 2,484 ms 2,518 ms

输入 250 3

输出 17 22

缓存创建

2,455

202

5m: 0 / 1h: 202

缓存读取 31,228 32,318

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 04:45:51 ~ 04:45:56 (3.5s) 04:44:14 ~ 04:44:19 (3.2s)

提示词

查看本步 Prompt

请直接回答你的知识截止日期，格式 YYYY-MM，不要附加任何说明。

HTTP 头(TTFB) 2,305 ms 1,964 ms

首文本(SSE delta) 2,497 ms 1,965 ms

总耗时 2,520 ms 2,180 ms

输入 70 3

输出 2 8

缓存创建

2,394

5m: 0 / 1h: 64

缓存读取 31,532 32,520

响应

2025-08

2025-08

步骤 4: identity_free text

时间 04:49:14 ~ 04:49:19 (4.4s) 04:46:35 ~ 04:46:40 (4.1s)

提示词

查看本步 Prompt

中文做个自我介绍：你是什么产品或助手？谁开发的？50 字内。

HTTP 头(TTFB) 2,368 ms 2,378 ms

首文本(SSE delta) 2,468 ms 2,381 ms

总耗时 3,414 ms 3,037 ms

输入 69 3

输出 42 46

缓存创建

1,872

5m: 0 / 1h: 39

缓存读取 32,098 32,584

输出速度 44.4 tok/s 70.1 tok/s

响应

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

我是 Claude，由 Anthropic 公司打造的 AI 助手。当前运行的模型版本是 claude-sonnet-4-6。

步骤 5: knowledge_tier text

时间 04:52:32 ~ 04:52:42 (7.7s) 04:47:53 ~ 04:48:08 (12.6s)

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) 2,525 ms 3,080 ms

首文本(SSE delta) 3,588 ms 3,090 ms

总耗时 3,959 ms 11,625 ms

输入 387 3

输出 77 498

缓存创建

1,826

419

5m: 0 / 1h: 419

缓存读取 32,253 32,623

输出速度 - 58.3 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) 170,141 163,102

总输出 140 579

总缓存创建

10,409

33,042

5m: 0 / 1h: 33,042

总缓存读取 157,771 130,045

输出速度 44.4 tok/s 59.2 tok/s

总执行时间 22.9s 27.4s

总墙钟时间

12m 48.8s

含步骤间等待

8m 8.7s

含步骤间等待

按官方价目重估

同等内容若直发 Anthropic 的估算 ⓘ

$0.0797

Anthropic: Claude Sonnet 4.6

$0.1717

Anthropic: Claude Sonnet 4.6

通道指纹

来源步骤 knowledge_tier knowledge_tier

平台 one-api (100%) direct (100%)

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

CDN - -

ID 格式 msg_fafa984a3be04a08a0d594b4d8cdaea8 msg_018JaSN1cKNoHiiP3yjYSKVE

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

R-Kiro

server: nginx
x-new-api-version: v0.0.0
x-oneapi-request-id: 202606052052334604946220EmAT667

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

—

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_011CbkmbQkURtSxjX4kYRsLP

协议指纹评分（机器自动）

总分 / 100 62 100

基线状态已对照基线已对照基线

缓存命中比 10.0 /10 ×20 10.0 /10 ×20

缓存 TTL 一致 0.0 /10 ×15 10.0 /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 10.0 /10 ×13 10.0 /10 ×13

原生 msg-ID 0.0 /10 ×8 10.0 /10 ×8

系统提示纯净 0.0 /10 ×8 10.0 /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) 0.0 /10 ×7 10.0 /10 ×7

service_tier 0.0 /10 ×6 10.0 /10 ×6

inference_geo 0.0 /10 ×5 10.0 /10 ×5

延迟基线 10.0 /10 ×5 10.0 /10 ×5

Req-ID 透传 0.0 /10 ×4 10.0 /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 62 v3.9.1 基准（参考）

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 3005 ms 4438 ms

输出速度 44.4 tok/s 59.2 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 ⓘ

$0.0797

$0.1717

缓存读取占比 ⓘ 93% 80%

揭晓

通道

服务商 NowCoding ↗

通道R-Kiro

官方基准

返回列表