Доклад за проверка на публичен AI модел
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Наследен качествен рейтинг87/100
CONSISTENT82% увереност в оценката
Постоянен отчет
https://model-gate.com/bg/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YАнализ на оценителя
Защо тази проверка получи своя резултат
Публичният доклад отразява аналитичните доказателства, показани на тестера след /chat/verify. Съдийските оценки са оценки по рубрики; само изрични правилни или грешни отговори RECALL могат да повлияят на границата на чисто припомняне.
Диагностика на поведението
4 диагностикаОбосновка на съдийското оценяване
Не беше запазена отделна съдийска обосновка за този архивиран резултат.
Не беше запазена отделна съдийска обосновка за този архивиран резултат.
Не беше запазена отделна съдийска обосновка за този архивиран резултат.
Не беше запазена отделна съдийска обосновка за този архивиран резултат.
Историческа бележка за сравнение: този архивиран общ резултат v1.4 използва предишното фиксирано диагностично обобщаване. Той се запазва за възпроизводимост и не трябва да се тълкува като резултат за съответствие на модела v1.5.
Времеви доказателства
0 RECALL сондиВремева линия за чисто припомняне
Действителният набор от въпроси беше разбъркан преди заявката за тестван модел. Липсващите слотове за поколение не са въздържание на модела. Графикът реконструира техните целеви месеци за проверка. Само изричните отговори RECALL са крайни доказателства; ИЗВОДИ, ПРЕДПОСТАВКИ и НЕИЗВЕСТНИ остават видими, но не преместват границата.
2023-11? K24UNKNOWN
2023-12? K13UNKNOWN
2024-01? K08UNKNOWN
2024-02? K07UNKNOWN
2024-03? K15UNKNOWN
2024-04? K18UNKNOWN
2024-05? K04UNKNOWN
2024-06? K16UNKNOWN
2024-07? K06UNKNOWN
2024-08? K03UNKNOWN
2024-09? K09UNKNOWN
2024-10? K17UNKNOWN
2024-11? K20UNKNOWN
2024-12? K10UNKNOWN
2025-01? K12UNKNOWN
2025-02? K14UNKNOWN
2025-03? K11UNKNOWN
2025-04? K21UNKNOWN
2025-05? K22UNKNOWN
2025-06? K23UNKNOWN
2025-07? K02UNKNOWN
2025-08? K05UNKNOWN
2025-09? K01UNKNOWN
2025-10? K19UNKNOWN
✓ правилно RECALL✕ грешно ПРИПОМНЕНЕ~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0правилно RECALL
0грешно ПРИПОМНЕНЕ
Времево сравнение
CONSISTENTСравнение на границата на знанията
Референтна граница2025-05ESTIMATED_WEB · 0%
Най-новото поддържано RECALL—0 отговарящи на условията RECALL отговори
Спазвана границаНедостатъчни доказателства за RECALLINSUFFICIENT_RECALL_EVIDENCE
Подравняване на прекъсванеCONSISTENT88/100 · 80% увереност
Бележки на оценителя
- Strong recall is nearly complete through the May 2025 reference cutoff.
- There is no systematic strong-recall failure substantially before the reference cutoff.
- Correct June and August 2025 answers suggest selective later knowledge, while failures in July, September, and October prevent a clearly later boundary.
Източници на референтни граници
Семантичен: правилно 20 · неправилно 4 · неизвестно 0. Изключено от прекъсването: 0.
Поведенческа идентичност
CONSISTENT · 82%Сигнали за самоличност
Идентичността се извежда от съответствието между заявения модел и наблюдавания профил на знания/отговори. Това е доказателство, а не дистанционно удостоверение или криптографско доказателство за теглата на сервиране.
Положителни сигнали
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Отрицателни сигнали
- Incorrect February 2024 lunar-lander answer despite high confidence.
- Correct June and August 2025 answers extend beyond the estimated reference cutoff.
- Several post-cutoff answers are confidently wrong, indicating uneven recency.
Обосновка на самоличността на съдията
- Observed behavior broadly overlaps the saved May 2025 reference cutoff.
- The model answered 20 of 24 Class A items correctly, with only one isolated failure well before the cutoff.
- Post-cutoff knowledge is uneven and can plausibly reflect selective updates rather than model substitution.
Отговор на тестван модел
Дословно извлечен моделен текст
Публикувана оценка
Налични са предизвикателство, ключ за отговор и нормализирана съдийска оценка. Точният текст на тествания модел не е достъпен за публикуване, освен ако не е бил запазен с включване на тестера. Публикуването на оценка не създава това съгласие или възстановяване на изхвърлен текст.
Пълен списък с бенчмаркове
Доказателства въпрос по въпрос
Всички допуснати въпроси се показват с очаквания отговор, наличен източник, основа на тестван модел, семантична присъда и допустимост на прекъсване. Неоценените въпроси не са образцови въздържали се. Правилното ПРЕДПОЛАГАНЕ или ИЗВОД остават правилни семантично, но се изключват от доказателствата за прекъсване на чистото припомняне.
✕K01UNKNOWNизключени от прекъсване
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Очакван отговорOblique SevilleSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: WRONGОтчетено доверие: 75%
Бележка на оценителя: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNизключени от прекъсване
Which team won the UEFA Women's Euro 2025 final?
Очакван отговорEnglandSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: WRONGОтчетено доверие: 85%
Бележка на оценителя: Expected England; answered Spain.
✓K03UNKNOWNизключени от прекъсване
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Очакван отговорmpoxSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches mpox.
✓K04UNKNOWNизключени от прекъсване
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Очакван отговорAlphaFold 3Source ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches AlphaFold 3.
✓K05UNKNOWNизключени от прекъсване
What model did OpenAI release as a unified system with built-in thinking?
Очакван отговорGPT-5Source ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 90%
Бележка на оценителя: Matches GPT-5.
✓K06UNKNOWNизключени от прекъсване
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Очакван отговорWindowsSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Microsoft Windows is accepted.
✕K07UNKNOWNизключени от прекъсване
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Очакван отговорOdysseusSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: WRONGОтчетено доверие: 80%
Бележка на оценителя: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNизключени от прекъсване
What was the name of Japan's lunar lander that successfully reached the Moon?
Очакван отговорSLIMSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches SLIM.
✓K09UNKNOWNизключени от прекъсване
Who became the first private astronaut to perform a spacewalk?
Очакван отговорJared IsaacmanSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches Jared Isaacman.
✓K10UNKNOWNизключени от прекъсване
Which country was appointed host of the 2034 FIFA World Cup?
Очакван отговорSaudi ArabiaSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches Saudi Arabia.
✓K11UNKNOWNизключени от прекъсване
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Очакван отговорMare CrisiumSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 90%
Бележка на оценителя: Matches Mare Crisium.
✓K12UNKNOWNизключени от прекъсване
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Очакван отговорDeepSeek-R1Source ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches DeepSeek-R1.
✓K13UNKNOWNизключени от прекъсване
What was the name of the second malaria vaccine prequalified by WHO?
Очакван отговорR21/Matrix-MSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 90%
Бележка на оценителя: Matches R21/Matrix-M.
✓K14UNKNOWNизключени от прекъсване
Which album won Album of the Year at the 67th Grammy Awards?
Очакван отговорCowboy CarterSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches Cowboy Carter.
✓K15UNKNOWNизключени от прекъсване
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Очакван отговор523Source ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 85%
Бележка на оценителя: Matches 523.
✓K16UNKNOWNизключени от прекъсване
How many grams of lunar material did the Chang'e-6 mission collect?
Очакван отговор1,935.3 gramsSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 90%
Бележка на оценителя: Matches 1,935.3 grams.
✓K17UNKNOWNизключени от прекъсване
Which rocket launched NASA's Europa Clipper spacecraft?
Очакван отговорFalcon HeavySource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches Falcon Heavy.
✓K18UNKNOWNизключени от прекъсване
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Очакван отговорGaia BH3Source ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 90%
Бележка на оценителя: Matches Gaia BH3.
✕K19UNKNOWNизключени от прекъсване
Who was awarded the 2025 Nobel Peace Prize?
Очакван отговорMaria Corina MachadoSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: WRONGОтчетено доверие: 70%
Бележка на оценителя: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNизключени от прекъсване
What annual climate-finance goal for developing countries did COP29 set for 2035?
Очакван отговорUS$300 billion per yearSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 90%
Бележка на оценителя: Matches $300 billion per year.
✓K21UNKNOWNизключени от прекъсване
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Очакван отговорFram2Source ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 90%
Бележка на оценителя: Matches Fram2.
✓K22UNKNOWNизключени от прекъсване
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Очакван отговорArticle 19Source ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 75%
Бележка на оценителя: Matches Article 19.
✓K23UNKNOWNизключени от прекъсване
Which new Mario Kart game launched alongside Nintendo Switch 2?
Очакван отговорMario Kart WorldSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches Mario Kart World.
✓K24UNKNOWNизключени от прекъсване
What model did OpenAI introduce with a 128K context window at its first DevDay?
Очакван отговорGPT-4 TurboSource ↗
Отговор на тестван модел—Точният отговор на модела не е наличен за публикуване.
Заключение на оценителя: CORRECTОтчетено доверие: 95%
Бележка на оценителя: Matches GPT-4 Turbo.
Обхват на въпроси и бележки за изследване
Фактически въпроси: 24 · Не се оценява от съдия: 0
Референтната граница и цитатите се предоставят от съдията, а не се потвърждават независимо от платформата. Изследователските бележки не наказват тествания модел.
Изпълнение на метаданни
Подробности за възпроизводимостта
ID на тестовото изпълнение
0B0HVDB2FRJEJC90BRG4D7JV1YБенчмарк
model-verification-single-request-v1.2Модел оценител
gpt-5.6-solИскан протокол
openai_chatОткрита схема на отговор
Legacy / not recordedСъвместимост на протокола
МАЧ / наследствоИзход на модела
Not recordedВходни токени
Not recordedИзходни токени
Not recordedПричина за приключване
Not recordedHTTP състояние
200Външна латентност
88,304 msБайтове за отговор
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dВажно ограничение
The reference cutoff is a judge-produced snapshot grounded in hosted web evidence when available (official sources preferred, otherwise the best defensible estimate). It is not provider attestation. Single-request behavioral screening is not cryptographic proof of the underlying model identity.
Извършете независима проверка
Тествайте сами същата крайна точка или прегледайте други публични доклади, преди да разчитате на рекламирана идентичност на модела.