上一篇文章讲了检测原理，这篇直接上代码。

我把自己做的 真探API 的核心检测逻辑开源出来，你可以本地运行，也可以基于此二次开发。

项目结构

gpt4-checker/
├── checker.py          # 核心检测逻辑
├── models.py           # 题库和数据模型
├── scorer.py           # 评分系统
├── report.py           # 生成报告
└── main.py             # 入口

一、核心检测逻辑

python

复制

二、评分系统

python

复制

三、完整调用示例

python

复制

依赖

bash

复制

pip install httpx asyncio

完整代码获取

上述只是核心逻辑片段，完整可运行版本和题库数据可以在 真探API 获取，或者直接用线上版本，更方便。

本地跑 vs 线上版该怎么选？

本地Python版 线上版（zhentanapi.com）
优点 可以自定义题库 不用配置环境
优点 可以二次开发 题库自动更新
缺点 需要配置代理 需要联网
适合 有开发能力的团队 快速检测

有问题欢迎评论区交流！

# eclipse # github # git
Logo
智能体开发者社区

中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

更多推荐

cover

【小白也能轻松用】个人办公AI搭建，OpenClaw零基础零代码快速部署（含最新安装包）

avatar 智能体开发者社区

别再手动编译了，用 Docker 在 Instinct GPU 上三分钟跑通 vLLM

本文详解如何利用 Docker 在 AMD Instinct GPU 上三分钟快速部署 vLLM。借助 ROCm 7.x 官方预构建镜像，开发者可彻底告别手动编译地狱，轻松实现 Llama 3.1 等模型的高效推理。文章涵盖 BF16/FP8 精度配置及性能实测，助您大幅降低环境配置成本，加速大模型服务上线。

avatar 智能体开发者社区

显存不够别硬撑，FP8 量化让 70B 大模型在单卡 Instinct 上流畅运行

本文详解如何在单卡 Instinct MI300X 上利用 FP8 量化技术流畅运行 Llama 3.1 70B 大模型。通过 ROCm 7.x 与 vLLM 部署，FP8 将显存占用减半并释放带宽潜力，使吞吐量提升近 3 倍，有效解决显存瓶颈，助力大模型低成本高效落地。

avatar 智能体开发者社区