# 固定任务 API 验收记录（2026-10-09）

仅含 10 个准确模型 ID。原始测试顺序保留，不按性能、价格或通过项数排序。

## 方法

首轮 10 模型 × 3 份虚构资料 = 30 次 Chat Completions 请求。完整端点为 https://api.apizt.com/v1/chat/completions，统一 max_completion_tokens=1024；工具项使用 tool_choice=auto。按顺序请求，无自动重试。

字段提取与资料问答要求无 Markdown 的完整 JSON，检查准确字段、类型和值。工具项只检查一个 search_order 提案、名称与可解析参数，没有执行工具、回传结果或测试 Agent 客户端。未检查工具 ID/type、流式、图片或完整工具回合。

失败复测只选择首轮失败的 10 项，独立保存。不是随机新增样本，不能把两轮合并成总体通过率，也不能用复测覆盖首轮失败。

## 证据范围

首轮没有留存原始响应正文，仅保留请求、已解析结果、检查标记、状态与用量等字段。失败复测保留响应消息，本下载仅保留 content/tool_calls，不发布思考内容。首轮失败无法从原文重新归因，不能套用复测原因。

围栏内 JSON 字段正确而未满足纯 JSON 契约时，记录为格式不合格，不视为事实错误。HTTP 400 仅描述这次协议与参数组合。HTTP 200 不保证输出契约通过。耗时为客户端整次请求墙钟时间，不是首字延迟或稳定性指标。

## 费用与用量

控制台费用按同一测试令牌、准确型号和测得完成时间核对；API 返回用量存在时也核对用量。displayedSumUsd 是控制台六位小数显示值逐条累计，不是未舍入账单总额。两条错误日志显示 0 只描述这些记录，不代表失败请求普遍免费。

首轮 Kimi 三条缺少 API usage，apiUsage 保持 null；consoleUsage 另列，不能冒称 API 返回用量。各条 API 用量与控制台用量保留各自来源。

参考估算使用 2026-10-09 本地保存的公开价格快照，同一个完整分组的输入/输出/缓存价格，不公布组名。公式为 ((input-cached)*input_rate + cached*cached_rate + output*output_rate)/1,000,000，再取完整估算最低的一组。缓存只从输入总数扣一次，reasoning token 不重复加到输出。仅标准 Chat usage 有合法输入/输出/缓存字段时估算；缺失用量、非零缓存写入或未知附加费用保留未知。这里有 34 条参考估算、6 条未知：5 条完全缺少 API usage，另有首轮 DeepSeek 资料问答未单列缓存，不冒称缓存为零；其 87 输入 / 15 输出仍保留。不用控制台用量填补 API usage。

报价不是该测试令牌实际价格，也不是实时价格承诺；已匹配控制台显示金额与报价估算分开。资料仅为三份合成短任务，不能推断一般能力排名、RAG 全链路、Cursor/Codex/Cline/Dify/n8n 客户端兼容或长期成功率。

## 在自己的环境复现

Python 3.10+ 与 curl。先下载 runner.py 和 catalog.json。预览不读取 Key、不发送请求；记录目录通过 --out 指定。

```sh
python3 runner.py --models grok-4.7 --catalog-file catalog.json --out my-benchmark
```

目录仅是历史 10 型号记录；用自己的令牌验证目录后再调用。下方命令在交互终端隐藏 Key 输入；也可在启动环境设置 tokenba_API_KEY 并省略 --key-stdin。脚本不将 Key 写入文件。

```sh
python3 runner.py --catalog --key-stdin --out my-benchmark
python3 runner.py --models grok-4.7 --run --key-stdin --out my-benchmark
```

--run 每个型号发送三个请求，可能收费；最多 10 个型号。没有 --run 仅预览。保留输出与 state 文件，未知提交状态不自动重发。只有明确需要复测原失败项时才执行 --recheck-failed --run；使用新目录开展另一轮测试。新运行不会继承本报告的已核对账单，仍需逐条到控制台核对。

本报告与 runner 采用 MIT 许可；账单、Key 权限与实际模型能力由运行时环境决定。