模型鉴别器遭中转站屏蔽，随机插入字符成应对新招
速览
有用户反映模型鉴别器被部分中转站屏蔽，即使伪装请求头也无法使用。发帖者发现原因是提示词一致被识别，于是提出在提示词中随机插入字符的方法。经测试，轻度和中度插入不影响模型响应，重度插入可能导致AI不回答。该思路为对抗鉴别器屏蔽提供了可行方案。
AI 深度解读
背景
随着 AI 模型服务在第三方中转站的广泛使用，一些开发者尝试通过请求头伪装（如添加 Codex 风格的请求头）来绕过模型鉴别。然而，部分用户发现即使使用了这些伪装手段，请求仍被中转站拒绝，提示可能遭遇了针对提示词模式的屏蔽。这一现象表明，中转站已经开始根据固定的提示词特征来识别并拦截来自模型鉴别工具的请求，给相关开源项目（如 hlwy-ai-checker）的落地使用带来了新挑战。
核心内容
hlwy-ai-checker 是一个基于概率分布来识别任意模型真假的检测工具，旨在帮助用户区分模型输出是否掺假。项目作者在 LINUX DO 社区发帖，指出当前面临的新问题：即便开启了 Codex 请求头伪装，请求仍可能被中转站识别并屏蔽。分析原因后认为，中转站通过检测提示词的一致性来屏蔽——因为作者的测试提示词是固定的，很容易被建立对应规则拦截。
为此，作者提出一个改进思路：在提示词的中间随机插入字符，打乱原有的固定模式。为了验证可行性，作者使用 Claude（测试模型：gpt-5.5）进行了实验，测试了轻、中、重三种插入密度。结果表明：
- 重度插入：AI 有时无法理解问题，不返回数字答案，效果较差。
- 中度插入和轻度插入：匹配度维持得很好，模型仍能正确响应，同时有效破坏了提示词的固定特征。
作者认为这一方法具有可行性，并希望征集社区其他用户的意见。
关键要点
- 屏蔽根因：中转站利用固定的测试提示词模式建立规则，直接拦截带有特定提示词的请求。
- 现有伪装手段局限：开启 Codex 请求头伪装不足以完全规避屏蔽，因为提示词本身成为识别特征。
- 提出的解决方案：在提示词中随机插入字符以破坏固定模式，使提示词每次请求都不同，从而绕过基于模式的屏蔽。
- 实验验证：使用 Claude（gpt-5.5）测试不同插入密度，发现轻度和中度插入既不影响回答质量，又能有效维持匹配度；重度插入影响模型理解，不建议使用。
- 当前状态：该方法尚处于思路验证阶段，作者邀请社区成员讨论并贡献改进意见。
意义与影响
这一思路的提出，为 AI 鉴别工具绕过中转站屏蔽提供了新的技术方向。随机插入字符的做法成本低、易实现，且对轻度和中度插入的测试效果良好，有望在保持鉴别准确性的同时，提高工具的隐蔽性和鲁棒性。若该方法被验证有效并推广，将有助于类似 hlwy-ai-checker 的开源项目在对抗性环境下继续正常运作，从而维护模型输出的透明度和可信度。此外，它也提示开发者，在防范基于模式的检测时，引入随机化是一种值得探索的通用策略。