IP 报告中的「场景适配」会针对 TikTok、Facebook、X、跨境电商、流媒体和 AI 应用分别给出 0–100 的分数。同一个 IP 在不同场景下分数可能相差很大：一个原生的机房 IP 用来看流媒体也许还行，用来做 TikTok 却很容易出问题。本文解释这些分数是怎么来的。
分数从哪些维度组合而来
场景分数并不是重新检测一次，而是把 IP 报告里已有的几个维度，按每个场景的侧重点重新组合：
- 是否机房：各数据源对网络类型的投票结果，住宅、移动最高，商业网络居中，机房最低。
- 风险系数：多家风控服务给出的风险分，以及 AbuseIPDB 的滥用置信度，越低越好。
- 风险因子：代理、VPN、Tor、住宅代理、攻击者、垃圾信息等标记，黑名单与滥用举报也会扣分。
- 人机比例：该 IP 上真人流量所占比例，机器人流量越多分数越低。
- 原生性：IP 注册地与实际使用地是否一致，广播 IP 会被明显扣分。
各维度的含义可以在 IP 网络风险说明 与 IP 类型说明 中了解。
每个场景看重什么
| 场景 | 最看重 | 同时参考 | 为什么 |
|---|---|---|---|
| TikTok | 是否机房 | 原生性、风险因子 | 对机房 IP 和地区一致性非常敏感，广播 IP 容易被判到错误的国家，影响内容分发与账号权重。 |
| 风险系数、风险因子 | 是否机房 | 风控综合多种信号，三者权重接近；历史滥用记录与代理标记影响最大。 | |
| X | 风险因子、风险系数 | — | 主要拦截代理、批量注册与滥用来源，对 IP 类型本身相对宽容。 |
| 跨境电商 | 风险系数 | 是否机房、人机比例 | 支付与店铺风控关注欺诈风险；机器人流量多的出口容易被认为与刷单、爬虫有关。 |
| 流媒体 | 原生性、是否机房（各占一半） | — | 按 IP 注册地决定片库，并主动屏蔽机房与 VPN；风险分高低影响不大。 |
| AI 应用 | 所在地区是否受支持（先决条件） | 风险系数、风险因子、人机比例 | 地区不在常见支持范围内时直接记为 0 分；地区可用时，再看 IP 是否干净、是否有大量自动化流量。 |
AI 应用的地区判断使用的是常见不可用地区的参考名单，不是各服务的官方实时名单，最终以服务商公布的支持地区为准。
计算方式
- 每个维度先换算成 0–100 分（越高越好）；
- 按场景的侧重点加权平均，得到该场景的分数；
- 如果某个维度缺少数据（例如人机比例未知），用该 IP 的纯净度总分代替，避免因为数据缺失而偏高或偏低；
- 原生性未知时按原生处理，确认为广播 IP 时按较低分计入。
因此场景分数总是和纯净度总分保持一致的方向：总分低的 IP，各场景分数通常也不会高；但不同场景会把某个短板放大，比如机房 IP 在 TikTok 和流媒体上的分数会明显低于在 X 上的分数。
如何解读分数
| 分数 | 含义 |
|---|---|
| 80 以上 | IP 本身在该场景下基本不会成为问题 |
| 50–80 | 可以使用，但更容易遇到验证码、二次验证或功能受限 |
| 50 以下 | IP 很可能被该场景的风控重点关注，建议更换出口 |
场景分数不包含什么
- 网速与延迟：场景适配只评估 IP 的可信度，不衡量带宽、延迟和丢包。卡顿问题请用网速测试与全球 Ping 排查。
- 账号与设备：账号历史、设备指纹、操作行为同样影响风控，见 浏览器指纹原理。
- 平台的真实结论：分数是根据公开情报的估算，不代表任何平台的官方判断；实际效果以平台为准。