大模型 API 任务测试：固定提示词与 JSON 验收

大模型 API 任务测试从客服分类、知识库引用与订单提取三份固定材料开始。下载本地请求脚本，使用相同提示词执行请求，再粘贴真实 JSON 响应验收，并分别记录用量与费用。

全球顶尖大模型 · 一站式接入

选择测试任务下载本地测试脚本

测试条件先对齐

固定同一份任务、提示词和输出要求，只更换准确型号与对应协议。当前页面公开的是测试方法与材料，真实输出由你执行请求后获得；本页没有发布性能排名或虚构账单。

在模型详情确认 ID、协议与限制，先完成基础接入。
在本地发起一次非流式请求，保存完整 JSON 和执行时间。
按下方条件检查结果，再去控制台记录实际扣费。

三份可以复现的任务

材料均为演示业务用例，不包含真实客户资料。验收条件可以作为参考答案，但不代表任何模型已经返回过该答案。

客服工单分类

把同一批工单归类，检查字段、数量与分类是否符合要求。

只返回 JSON，不添加 Markdown 或解释。把以下工单分类为 billing、authentication 或 invoice。T01：已经扣费但余额没有增加。T02：API 请求返回 401，提示认证失败。T03：想了解开具发票的流程。返回格式：{"tickets":[{"id":"T01","category":"..."},{"id":"T02","category":"..."},{"id":"T03","category":"..."}]}。每个工单只出现一次。

验收条件

返回 tickets 数组，恰好包含 3 项
工单 ID 无重复且完整
分类依次匹配 billing、authentication、invoice

查看本地执行命令

先下载脚本。在本地安全设置 tokenba_API_KEY；以下命令指定 --run，会提交一次请求并可能产生费用。默认不加 --run 只预览请求，不读取 Key。

python3 tokenba-task-check.py --task support --protocol chat --model glm-5.3 --run

Claude 型号使用 --protocol messages；支持 Responses 的型号使用 --protocol responses。模型 ID 与协议要一并更换。脚本仅支持这三种文本协议。

知识库引用问答

固定检索到的资料，检查回答能否依据原文并引用正确来源。

只依据下列资料回答，不添加外部知识。DOC-A：付款后 7 天内且未发货可以申请取消；已发货需走退货流程。DOC-B：订单付款 2 天，当前状态为待发货。问题：该订单是否满足申请取消的条件？只返回 JSON，格式：{"eligible":true或false,"days":规则规定的天数,"source_ids":["来源ID"]}，引用支持结论的全部资料，不添加 Markdown 或解释。

验收条件

eligible 为布尔值 true
days 为数字 7
source_ids 仅包含 DOC-A 和 DOC-B，且无重复

查看本地执行命令

先下载脚本。在本地安全设置 tokenba_API_KEY；以下命令指定 --run，会提交一次请求并可能产生费用。默认不加 --run 只预览请求，不读取 Key。

python3 tokenba-task-check.py --task rag --protocol chat --model glm-5.3 --run

Claude 型号使用 --protocol messages；支持 Responses 的型号使用 --protocol responses。模型 ID 与协议要一并更换。脚本仅支持这三种文本协议。

订单字段与金额提取

从固定订单描述提取字段，检查金额计算与 JSON 类型。

测试订单 INV-DEMO-001：商品小计 42.50 元，运费 7.50 元，优惠 10.00 元，币种人民币。计算实付金额（商品小计 + 运费 - 优惠）。只返回 JSON，格式：{"invoice_id":"...","currency":"CNY","total":数字}，不要 Markdown 或解释。

验收条件

invoice_id 为 INV-DEMO-001
currency 为 CNY
total 为数字 40

查看本地执行命令

先下载脚本。在本地安全设置 tokenba_API_KEY；以下命令指定 --run，会提交一次请求并可能产生费用。默认不加 --run 只预览请求，不读取 Key。

python3 tokenba-task-check.py --task invoice --protocol chat --model glm-5.3 --run

Claude 型号使用 --protocol messages；支持 Responses 的型号使用 --protocol responses。模型 ID 与协议要一并更换。脚本仅支持这三种文本协议。

检查你实际拿到的答案

支持 Chat Completions、Responses、Messages 的完整非流式响应，也可只粘贴模型输出的 JSON。下载脚本的报告可直接粘贴，截断输出与 API 错误会提示重新核对。

本次执行的任务

粘贴模型输出或完整非流式响应 JSON

在当前浏览器中校验，不发送 API 请求，不上传或保存粘贴内容。

把答案验收与费用核对分开

固定客服工单与分类验收条件：本站工具实际界面 — 本站任务验收页展示的固定客服分类题及参考验收条件；T01–T03 为合成工单，截图没有模型响应或通过结果，真实答案需自行执行后另行输入。
查看高清原图

三类答案契约及截断拒绝条件：tickets、source_ids、total、finish_reason — 本站绘制的内容说明图：本页 checkTaskAnswer 的确切字段契约。HTTP 200、JSON 可解析或文本存在不足以通过；截断、API 错误、缺少有效文本须先处理。
查看高清原图

怎样把一次测试变成选型证据

保存测试日期、准确模型 ID、请求 ID、协议、提示词版本、输出预算、耗时、usage、重试次数和控制台实扣。完整客服或编程任务可能包含多次调用；单个请求不能代表整个工作流成本。

测试脚本只执行一次，不自动重试，也不计算账单。HTTP 成功、答案通过、费用核实分别记录。超时后先核对控制台，避免重复提交同一任务。

用 usage 估算费用核对当前价格

常见问题

这里的案例是模型实测结果吗？

这里公开的是固定测试材料、提示词和验收条件。没有展示尚未执行的模型结果或排名。你可以在本地执行一次请求，再粘贴真实响应检查结果。

知识库测试包含检索和重排吗？

当前用例固定提供两段检索资料，只检查生成答案与来源引用。实际知识库还需要独立测试文档切分、向量检索、重排和权限隔离。

通过验收意味着可以直接上线吗？

通过只代表该答案满足当前固定用例的条件。上线前还应增加拒答、资料不足、错误输入与真实业务样本，分别核对延迟、用量和完整任务费用。

为什么不直接显示哪个模型最好？

任务、提示词、通道、参数与客户端都会影响结果。使用相同测试材料比较实际输出与账单，比没有证据的通用排名更适合自己的应用。

选好型号，从一次请求开始

获取 API Key 生成接入配置查看型号详情

正在打开页面…

正在加载内容，请稍候。

大模型 API 任务测试：固定提示词与 JSON 验收

全球顶尖大模型 · 一站式接入

选择测试任务下载本地测试脚本

测试条件先对齐

在模型详情确认 ID、协议与限制，先完成基础接入。
在本地发起一次非流式请求，保存完整 JSON 和执行时间。
按下方条件检查结果，再去控制台记录实际扣费。

三份可以复现的任务

材料均为演示业务用例，不包含真实客户资料。验收条件可以作为参考答案，但不代表任何模型已经返回过该答案。

客服工单分类

把同一批工单归类，检查字段、数量与分类是否符合要求。

验收条件

返回 tickets 数组，恰好包含 3 项
工单 ID 无重复且完整
分类依次匹配 billing、authentication、invoice

查看本地执行命令

先下载脚本。在本地安全设置 tokenba_API_KEY；以下命令指定 --run，会提交一次请求并可能产生费用。默认不加 --run 只预览请求，不读取 Key。

python3 tokenba-task-check.py --task support --protocol chat --model glm-5.3 --run

Claude 型号使用 --protocol messages；支持 Responses 的型号使用 --protocol responses。模型 ID 与协议要一并更换。脚本仅支持这三种文本协议。

知识库引用问答

固定检索到的资料，检查回答能否依据原文并引用正确来源。

验收条件

eligible 为布尔值 true
days 为数字 7
source_ids 仅包含 DOC-A 和 DOC-B，且无重复

查看本地执行命令

先下载脚本。在本地安全设置 tokenba_API_KEY；以下命令指定 --run，会提交一次请求并可能产生费用。默认不加 --run 只预览请求，不读取 Key。

python3 tokenba-task-check.py --task rag --protocol chat --model glm-5.3 --run

Claude 型号使用 --protocol messages；支持 Responses 的型号使用 --protocol responses。模型 ID 与协议要一并更换。脚本仅支持这三种文本协议。

订单字段与金额提取

从固定订单描述提取字段，检查金额计算与 JSON 类型。

验收条件

invoice_id 为 INV-DEMO-001
currency 为 CNY
total 为数字 40

查看本地执行命令

先下载脚本。在本地安全设置 tokenba_API_KEY；以下命令指定 --run，会提交一次请求并可能产生费用。默认不加 --run 只预览请求，不读取 Key。

python3 tokenba-task-check.py --task invoice --protocol chat --model glm-5.3 --run

Claude 型号使用 --protocol messages；支持 Responses 的型号使用 --protocol responses。模型 ID 与协议要一并更换。脚本仅支持这三种文本协议。

检查你实际拿到的答案

本次执行的任务

粘贴模型输出或完整非流式响应 JSON

在当前浏览器中校验，不发送 API 请求，不上传或保存粘贴内容。

把答案验收与费用核对分开

怎样把一次测试变成选型证据

测试脚本只执行一次，不自动重试，也不计算账单。HTTP 成功、答案通过、费用核实分别记录。超时后先核对控制台，避免重复提交同一任务。

用 usage 估算费用核对当前价格

常见问题

这里的案例是模型实测结果吗？

这里公开的是固定测试材料、提示词和验收条件。没有展示尚未执行的模型结果或排名。你可以在本地执行一次请求，再粘贴真实响应检查结果。

知识库测试包含检索和重排吗？

当前用例固定提供两段检索资料，只检查生成答案与来源引用。实际知识库还需要独立测试文档切分、向量检索、重排和权限隔离。

通过验收意味着可以直接上线吗？

通过只代表该答案满足当前固定用例的条件。上线前还应增加拒答、资料不足、错误输入与真实业务样本，分别核对延迟、用量和完整任务费用。

为什么不直接显示哪个模型最好？

任务、提示词、通道、参数与客户端都会影响结果。使用相同测试材料比较实际输出与账单，比没有证据的通用排名更适合自己的应用。

选好型号，从一次请求开始

获取 API Key 生成接入配置查看型号详情