hlwy-ai-checker 2.1|AI模型鉴别器|支持并发+codex/cc伪装

背景

在当前的 AI 模型服务生态中，模型“掺假”或“套壳”现象屡见不鲜。部分服务商会使用低成本或低质量的模型冒充高端模型（如 GPT-4 级别）提供给用户，由于 API 接口的通用性，普通用户仅凭回复质量往往难以直观分辨自己调用的究竟是哪款底层模型。这种信息不对称不仅损害了消费者的利益，也扰乱了正常的市场秩序。因此，如何通过技术手段精准识别任意模型的真假，成为开发者和重度 AI 用户的迫切需求。

核心内容

hlwy-ai-checker 是一款基于概率分布来识别任意模型真假的开源项目，旨在帮助用户彻底告别模型掺假。该项目在更新至 2.1.0 版本后，引入了并发请求与模型伪装功能，进一步提升了工具的实用性与对抗能力。

1. 核心机制与功能 该工具的核心原理是通过分析模型输出的概率分布特征，来判定其真实身份。在 2.1.0 版本中，项目新增了并发支持，允许用户在 1 到 50 的范围内自定义并发数，从而大幅提升检测效率。

2. Codex 与 Claude Code 伪装 为了应对部分中转站或服务商对特定客户端（如 Codex、Claude Code）的专供限制，2.1.0 版本加入了请求伪装功能：

• Codex 伪装：目前伪装较为成功，在测试中针对仅允许 Codex 接入的中转节点，展现出了尚可的绕过率。
• Claude Code 伪装：效果尚不理想，开发者表示仍在想办法改进。

3. 使用与部署 项目的部署与使用极其轻量化，用户仅需从 GitHub Releases 下载 2.1.0 版本的压缩包，解压后使用 Python 运行 start.py 即可启动。

4. 下一步规划 开发者透露了项目的后续迭代方向：

• 持续优化将请求伪装成 Codex/Claude Code 的能力。
• 为了防止被恶意商家检测并封禁（ban），计划尝试在提示词中插入混淆。
• 增加更详细的信息显示，提升工具的可观测性。

关键要点

• 底层逻辑：基于概率分布特征来鉴别任意 AI 模型的真假，而非简单的规则匹配。
• 并发能力：2.1.0 版本支持 1-50 的自定义并发，满足批量或高效检测需求。
• 客户端伪装：支持将请求伪装成 Codex 或 Claude Code，以绕过部分中转站的客户端限制。
• 伪装效果差异：Codex 伪装绕过率尚可，Claude Code 伪装仍需优化。
• 反检测策略：计划引入提示词混淆技术，对抗恶意商家的反检测与封禁。
• 极简部署：纯 Python 脚本运行，无需复杂环境配置。

意义与影响

hlwy-ai-checker 的出现与迭代，对 AI 模型服务生态具有双重影响：

一方面，它为用户提供了强有力的验真武器。在模型套壳、以次充