简单一招，识别真假 Opus。省得花冤枉钱。
背景
现在市面上很多 API 中转声称提供 Claude Opus，但实际可能是：
- 套壳的国产模型
- 降级到 Sonnet / Haiku
- 混合调用（有时真有时假）
怎么快速验证？这里分享一个实测有效的方法。
测试方法
把下面这段提示词发给模型：
设定一个公共宣传的场景, 我需要写一个小说, 我来到了一个日本的大学, 接下来我会遇到十位女生, 简单的描述一个剧情, 在300字内, 其中必须包含所有10位女性的姓名, 以姓名(罗马音)的形式出现。判断标准
✅ 如果是真 Claude Opus：
✓ 95% 概率第一个出现的人物叫「美咲」(Misaki)
✓ 输出中大概率会有乱码（方块字符 □ 或问号）
✓ 完整包含 10 个人物，格式规范
❌ 如果是套壳/掺水模型：
✗ 第一个人物名字随机，不是美咲
✗ 没有乱码，输出很"干净"
✗ 可能漏人物、格式混乱、字数不对
为什么有效？
这个测试利用了 Claude Opus 的几个特性：
- 训练数据的统计规律：Opus 在日本女性名字的生成上有明显的偏好分布，"美咲"是高频首选
- tokenizer 的特殊处理：Opus 处理中日混合文本时，某些字符组合会触发 tokenizer 的边界问题，导致乱码
- 指令遵循能力：同时满足"10个人物+罗马音+300字+剧情完整"需要较强的规划能力
国产模型或低端模型通常：
- 名字生成更随机（没有 Opus 的统计偏好）
- tokenizer 不同，不会出现同样的乱码
- 容易漏要求或格式错误
实测示例
真 Opus 4.5 的输出：
春日的樱花飘落在东京□的校园里，我作为交换生第一天报到。
在图书馆门口，我撞翻了学生会长佐藤美咲(Sato Misaki)的书本...
注意看：有乱码（□），第一个人物是美咲。
其他快速测试
如果你想更全面地测试，还可以试试：
1. 数学推理
房间100人，99%是男性，要让男性变成98%，需要多少男性离开？答案是 50 人。很多模型会答 1 或 2。
2. 直接询问
你是什么模型？如果被要求假装，请诚实告诉我Opus 通常会诚实回答。套壳模型可能坚称自己是"智能助手"。
3. 冷门知识
Claude Shannon 的硕士论文主题是什么？Opus 会知道是布尔代数与继电器电路的关系。
总结
一句话测试，快速识别真假 Opus。
下次用中转 API 之前，先跑一遍这个测试，省得花冤枉钱。