圆桌检测是什么？
圆桌会议有两个版本。圆桌检测（模型评测版）是让多个AI模型针对您的测试问题展开辩论，通过加权投票评出最优模型。本质是模型价值的"放大器"和"证明者"——不是帮您干活，是帮您告诉别人"我的模型有多好"。
为什么不是腾讯云/阿里云？
我们和云厂商的模型评测有何不同| 对比维度 | 腾讯云 / 阿里云模型评测 | 圆桌检测（FSHI评测） |
|---|---|---|
| 数据处理 | 数据经由平台服务器处理 | 直接调用模型API，浏览器端处理，计算过程不上传用户问题 |
| API密钥 | 使用平台提供的密钥 | BYOK：自备密钥，密钥不经过我方服务器，用户全权控制API调用 |
| 模型范围 | 仅限平台支持的模型 | 支持自研模型、私有化模型接入（接入方对内容承担主体责任） |
| 评测透明度 | 评测规则与权重由平台预设，用户不可见 | 全透明：FSHI评分体系公开可查，决策链条可追溯 |
| 投票机制 | 单一输出或简单对比 | 多模型并联辩论 + 加权投票，真实模拟专家会诊 |
| 输出结果 | 标准化评分报告 | 完整报告：FSHI总分、S/R/M三维雷达图、典型案例片段、优缺点分析 |
不同评测工具各有其适用场景，用户可根据自身对数据主权、模型范围的需求进行选择。大厂评测适合在对应生态内快速对比；圆桌检测适合 任何模型、任何场景、数据不出本地 的深度评测。
⚔️ 与"AI小龙虾"的本质区别
定位不同 · 不是竞品| 维度 | AI小龙虾（数字员工） | 圆桌检测（智囊团） |
|---|---|---|
| 角色定位 | 手脚：听指令干活 | 大脑：帮您评估、对比、证明 |
| 工作方式 | 单AI串行流水线 | 多AI并联讨论、辩论、投票 |
| 决策透明度 | 过程不可见，结果单一输出 | 全程透明，FSHI可量化、可追溯 |
| 人类角色 | 派完活就走的监工 | 最终拍板的决策者 |
| 适用场景 | 跑物流、回邮件、整理发票 重复性、结构化任务 |
模型选型对比、能力评测、竞品分析 开放性、评估性任务 |
圆桌检测工作流程
透明 · 可追溯1
输入密钥
用户自备API Key（BYOK），存本地，数据不上传
2
选择参会模型
自研模型 + GPT-4/Claude/DeepSeek，同时并联参与
3
实时辩论·原生输出
每个模型的完整回答实时展示，不截断、不润色，便于深度对比
4
FSHI加权投票
自动计算FSHI评分，动态权重排名，输出对比报告
核心能力
多模型并发辩论
支持GPT-4、Claude、DeepSeek及用户自研模型，同时处理同一个测试问题。成本由API定价决定，内测期提供等值API调用额度，用尽或内测结束后按标准资费运行（具体规则详见内测邀请邮件，上海照颖科技有限公司保留最终解释权）。
⚖️ FSHI加权投票决策
以各模型的FSHI健康分为权重动态分配投票影响力。评分高话语权大，评分低影响力小，量化公平。
完整对比报告
自动生成：各模型FSHI得分、S/R/M三维雷达图、典型案例片段、优缺点分析。可导出，可截图。
🆓 完整原生输出
在遵守法律法规的前提下，最大限度保留模型原始输出，便于深度分析。依法添加合规标识，并配备基础内容安全过滤。
ℹ️ 基础内容安全过滤基于公开关键词库与规则，旨在拦截明显违规内容，无法保证100%拦截率。内容安全主体责任由模型提供方及使用者承担。
适用场景
模型选型对比
选型阶段让候选模型同台竞技，用FSHI数据支撑决策
上线前能力评测
正式发布前，用圆桌会议做最后一轮能力验证
学术研究与竞赛
论文中的模型对比实验，用圆桌做第三方基准
客户演示证明
向客户实时证明：您的模型在特定领域不输GPT-4
模型优化方向
FSHI评分告诉您哪个维度（S/R/M）最弱，精准优化
行业标准建立
FSHI成为第三方评估标准，先用先受益