DeepSeek API 真伪核验示例报告
演示如何检测 deepseek-chat 与 deepseek-reasoner 在中转 API 中的版本一致性、协议兼容性和推理模型混用风险。
以下为公开演示样例，用于说明 DeepSeek 检测报告结构，不代表任何真实供应商或真实账号检测结果。
检测摘要
该样例中，请求 deepseek-reasoner 后，响应模型字段、OpenAI 兼容 envelope 和流式结构基本一致，未发现明显异源字段。由于 /models 列表只返回 deepseek 系列别名而非精确版本，系统给出 B 级可信结论，并建议在生产采购前做多轮复测。
检测对象国产模型中转 API
请求模型deepseek-reasoner
综合评分78/100
评级B
结论基本可信，建议复测
置信度中高
响应耗时1.96s
关键证据
低风险
模型字段与请求基本一致
响应 model 字段命中 deepseek-reasoner，同家族一致性较好。
低风险
流式结构可解析
SSE 分片符合 OpenAI 兼容格式，delta content 可正常拼接。
中风险
上游模型列表只返回别名
/models 返回 deepseek 系列别名，未给出精确版本日期，采购前仍需供应商确认。
检测日志
- 目标模型 deepseek-reasoner，启用身份、协议、流式、速度和稳定性检测。
- /v1/models 返回 deepseek-chat、deepseek-reasoner 别名，未返回版本日期。
- 非流式响应结构完整，usage 字段包含 prompt_tokens 与 completion_tokens。
- 流式响应首包约 820ms，总耗时约 1.96s。
- 综合评分 78/100，建议结合账单与重复检测提升置信度。
优化建议
确认供应商是否固定 deepseek-reasoner 上游版本，避免自动路由到普通 chat 模型。
对真实业务 prompt 抽样测试，观察推理模型是否被混用或降级。
在后台模型库为该供应商记录版本日期、价格和检测基线。
常见问题
B 级结果可以直接用于生产吗？
B 级说明自动检测证据较好，但生产接入仍建议结合供应商合同、稳定性监控和账单核验。
deepseek-chat 和 reasoner 混用有什么风险？
两者定位不同，混用会影响推理能力、价格预期和业务结果一致性。
国产模型检测和 GPT 检测方法一样吗？
底层证据链类似，但模型家族、协议细节、能力边界和官方命名需要分别维护。