最近在接一个聊天类接口时，遇到一个很迷惑的问题：请求明明发出去了，返回也正常，但流式输出的内容和设置的 max_tokens 完全对不上，长回答直接被截断在一半。一开始我以为是模型本身能力不够，后来才发现是两个坑叠加：一是接口里的 max_tokens 计算把 prompt 和 completion 合在一起算了，二是流式模式下最后一帧的 finish_reason 是 length 而不是 stop，很容易被当成正常结束漏掉。排查的时候建议直接打印每帧的 finish_reason，比对着 content 判断靠谱很多。另外如果你在用 SSE 解析，注意最后那条 data: [DONE] 前面的内容才是真正的最后一帧，别只取最后一条。结论就是：以后凡是遇到回答被莫名截断，先看 finish_reason，再看 token 统计，最后才怀疑模型。少走很多弯路。