想做一个模型对比和评测网站，大家最希望它测什么？

大家好，我们最近在考虑做一个面向 AI 中转站的模型对比和评测网站。

现在市面上的中转站越来越多，各家的线路、价格、倍率和使用规则也不太一样。很多信息只看宣传页面很难判断，往往要实际充值、连续使用一段时间后，才能知道高峰期稳不稳定、响应速度怎么样、扣费是否清楚。

所以我们想尝试做一个相对公开、持续更新的评测网站，让大家在选择和充值之前，能先看到一些真实的测试数据，也能对比不同模型在真实使用场景下的输出效果。

目前初步想到的评测方向包括：

稳定性：请求成功率、超时率、429/5xx 错误率、高峰期表现

响应速度：首 Token 延迟、完整响应时间、输出速度

价格与扣费：公开价格、实际扣费、Token 统计是否一致

功能表现：上下文长度、缓存、流式输出、工具调用、多模态等

能力一致性：同一模型在不同时段的表现是否存在明显波动，以及是否存在掺水情况

兼容性：Claude Code 、Codex 、Cherry Studio 、CC Switch 等工具的接入体验

服务体验：文档完整度、故障公告、客服响应和退款规则

用户反馈：真实使用评价、常见问题和踩坑记录

不过这些暂时都只是我们的初步想法。与其闭门造车，我们更想先听听真正使用中转站的朋友们怎么说：

选择中转站时，你最看重哪三项指标？

有哪些数据是你希望评测网站长期自动监测的？

你曾经踩过哪些坑，希望评测网站能提前发现？

你更想看综合排名，还是稳定性、速度、价格等分类排行？

第一批希望评测哪些站点、模型或线路？

除了评测之外，你还希望网站提供什么功能？

可以直接自由回复，也可以参考下面的格式：

最关注的指标：

踩过的坑：

其他建议：

另外，这个网站如果由 TrueSOTA 发起，大家可能会担心“既当选手又当裁判”，这个问题我们也提前考虑到了。

如果项目落地，TrueSOTA 自己也会放进同一套规则里接受测试。我们希望尽量采用自动化监测，公开测试方法、测试时间和原始数据，避免由我们主观打分；被测站点如需对异常数据进行说明，相关记录也会公开保留。

这次主要想向大家收集需求：你最关心什么、踩过什么坑，都欢迎直接说。我们会整理评论区的高频建议，作为第一版评测方案的参考。