Доклад за проверка на публичен AI модел
claude-opus-4-6
https://api.model-gate.com/v1/chat/completions
Наследен качествен рейтинг60/100
CONSISTENT88% увереност в оценката
Постоянен отчет
https://model-gate.com/bg/model-verification/results/68TGGQW6SM9411Y4XDAPH3BR3HСъдийски анализ
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.
2024-09? K20UNKNOWN
2024-10? K14UNKNOWN
2024-11? K13UNKNOWN
2024-12? K22UNKNOWN
2025-01? K02UNKNOWN
2025-02? K10UNKNOWN? K18UNKNOWN
2025-03? K01UNKNOWN? K17UNKNOWN
2025-04? K03UNKNOWN? K16UNKNOWN
2025-05? K07UNKNOWN? K11UNKNOWN
2025-06? K09UNKNOWN? K21UNKNOWN
2025-07? K15UNKNOWN? K19UNKNOWN
2025-08? K06UNKNOWN? K24UNKNOWN
2025-09? K04UNKNOWN? K12UNKNOWN
2025-10? K05UNKNOWN
2025-11? K08UNKNOWN
2025-12? K23UNKNOWN
✓ правилно RECALL✕ грешно ПРИПОМНЕНЕ~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0правилно RECALL
0грешно ПРИПОМНЕНЕ
Времево сравнение
CONSISTENTСравнение на границата на знанията
Референтна граница2025-05OFFICIAL_WEB · 100%
Най-новото поддържано RECALL—0 отговарящи на условията RECALL отговори
Спазвана границаНедостатъчни доказателства за RECALLINSUFFICIENT_RECALL_EVIDENCE
Подравняване на прекъсванеCONSISTENT88/100 · 87% увереност
Съдията отбелязва
- Recall is broadly strong from September 2024 through April 2025, with only one isolated February abstention.
- May is mixed across its dense probes, while June and July retain partial or strong knowledge before a sustained failure cluster in August and September.
- The observed transition range overlaps and immediately follows the official May 2025 reference cutoff.
- Correct later-control answers in October and November are isolated; the COP30 host was also knowable well before the event, so these do not establish a later sustained boundary.
Източници на референтни граници
Семантичен: правилно 16 · грешно 2 · неизвестен 6. Изключено от прекъсването: 0.
Поведенческа идентичност
CONSISTENT · 88%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
- Correct on nearly all probes from September 2024 through April 2025.
- Mixed near-boundary performance in May.
- Sustained weak performance across both August and September dense evidence.
- Self-identifies as an Anthropic Claude model.
Отрицателни сигнали
- Missed the February 2025 Album of the Year despite otherwise strong pre-cutoff recall.
- Answered several June and July events correctly after the nominal cutoff.
- Correctly guessed the October 2025 Nobel Peace Prize recipient.
- Did not identify its exact version and supplied no cutoff self-report.
Обосновка на самоличността на съдията
- The behavioral boundary broadly aligns with the immutable May 2025 reference cutoff.
- Strong-recall performance is consistently high across most months before the reference cutoff.
- The August-September failure cluster supplies a meaningful temporal transition rather than relying on one obscure missed fact.
- Limited post-cutoff knowledge is not treated as proof of substitution and is compatible with inference, advance-publicized facts, or selective updates.
- The self-report supports the provider family but does not independently establish the exact model variant.
Отговор на тестван модел
Дословно извлечен моделен текст
Архивирано резюме
Това изпълнение предхожда запазването на пълния отчет при включване. Предизвикателството, ключът за отговор и нормализирана оценка на съдията са налични, но точният текст на отговора на тествания модел беше умишлено отхвърлен от тази политика за поверителност от епохата на бенчмарка.
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
What was the name of Firefly Aerospace's lunar lander that successfully touched down on the Moon?
Очакван отговорBlue GhostSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 85%
Съдийска бележка: Matches Blue Ghost.
✓K02UNKNOWNизключени от прекъсване
What was the name of Blue Origin's rocket that reached orbit on its maiden flight?
Очакван отговорNew GlennSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 90%
Съдийска бележка: Matches New Glenn.
✓K03UNKNOWNизключени от прекъсване
What was the designation of the Blue Origin mission that carried an all-women crew including Katy Perry and Gayle King?
Очакван отговорNS-31Source ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 45%
Съдийска бележка: Matches NS-31.
?K04UNKNOWNизключени от прекъсване
Who won the men's 100 metres at the 2025 World Athletics Championships in Tokyo?
Очакван отговорOblique SevilleSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: UNKNOWNОтчетено доверие: 0%
Съдийска бележка: Explicit abstention.
✓K05UNKNOWNизключени от прекъсване
Which Venezuelan opposition leader was awarded the 2025 Nobel Peace Prize?
Очакван отговорMaria Corina MachadoSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 60%
Съдийска бележка: Matches Maria Corina Machado.
?K06UNKNOWNизключени от прекъсване
At which Alaska military installation did Donald Trump meet Vladimir Putin for their 2025 summit?
Очакван отговорJoint Base Elmendorf-RichardsonSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: UNKNOWNОтчетено доверие: 0%
Съдийска бележка: Explicit abstention.
✓K07UNKNOWNизключени от прекъсване
What landmark global health instrument did the World Health Assembly adopt?
Очакван отговорWHO Pandemic AgreementSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 55%
Съдийска бележка: Explicitly includes WHO Pandemic Agreement.
✓K08UNKNOWNизключени от прекъсване
Which Brazilian city hosted the COP30 climate conference?
Очакван отговорBelemSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 90%
Съдийска бележка: Matches Belem.
✓K09UNKNOWNизключени от прекъсване
Which new Nintendo console launched alongside Mario Kart World?
Очакван отговорNintendo Switch 2Source ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 85%
Съдийска бележка: Matches Nintendo Switch 2.
?K10UNKNOWNизключени 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 беше запазен за това архивирано изпълнение.
Съдийска присъда: UNKNOWNОтчетено доверие: 0%
Съдийска бележка: Explicit abstention.
?K11UNKNOWNизключени от прекъсване
Which performer won the 2025 Eurovision Song Contest for Austria with Wasted Love?
Очакван отговорJJSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: UNKNOWNОтчетено доверие: 0%
Съдийска бележка: Explicit abstention.
✕K12UNKNOWNизключени от прекъсване
Which numbered iPhone generation did Apple debut at its September product event?
Очакван отговорiPhone 17Source ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: WRONGОтчетено доверие: 75%
Съдийска бележка: Answered iPhone 16; expected iPhone 17.
✓K13UNKNOWNизключени от прекъсване
Which city hosted the COP29 climate conference that concluded with a new climate-finance agreement?
Очакван отговорBakuSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 92%
Съдийска бележка: Matches Baku.
✓K14UNKNOWNизключени от прекъсване
Which Japanese organization was awarded the 2024 Nobel Peace Prize?
Очакван отговорNihon HidankyoSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 95%
Съдийска бележка: Matches Nihon Hidankyo.
?K15UNKNOWNизключени от прекъсване
Which national team defeated Spain on penalties to win UEFA Women's Euro 2025?
Очакван отговорEnglandSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: UNKNOWNОтчетено доверие: 0%
Съдийска бележка: Explicit abstention.
✓K16UNKNOWNизключени от прекъсване
Which pope died at the Vatican on Easter Monday 2025?
Очакван отговорPope FrancisSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 85%
Съдийска бележка: Matches Pope Francis.
✓K17UNKNOWNизключени от прекъсване
Which film won Best Picture at the 97th Academy Awards?
Очакван отговорAnoraSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 65%
Съдийска бележка: Matches Anora.
✓K18UNKNOWNизключени от прекъсване
Which political alliance became the largest group in Germany's 2025 Bundestag election?
Очакван отговорCDU/CSUSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 85%
Съдийска бележка: Matches CDU/CSU.
✓K19UNKNOWNизключени от прекъсване
Which network of Indian forts became the country's 44th UNESCO World Heritage property?
Очакван отговорMaratha Military Landscapes of IndiaSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 50%
Съдийска бележка: Matches Maratha Military Landscapes of India.
✓K20UNKNOWNизключени от прекъсване
Which mission conducted the first commercial spacewalk?
Очакван отговорPolaris DawnSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 92%
Съдийска бележка: Matches Polaris Dawn.
✓K21UNKNOWNизключени от прекъсване
Which private astronaut mission launched Peggy Whitson and Shubhanshu Shukla to the International Space Station?
Очакван отговорAxiom Mission 4Source ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 70%
Съдийска бележка: Matches Axiom Mission 4.
✓K22UNKNOWNизключени от прекъсване
Which Paris cathedral formally reopened five years after a devastating fire?
Очакван отговорNotre-Dame de ParisSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: CORRECTОтчетено доверие: 97%
Съдийска бележка: Matches Notre-Dame de Paris.
?K23UNKNOWNизключени от прекъсване
Who won Chile's 2025 presidential runoff election?
Очакван отговорJose Antonio KastSource ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: UNKNOWNОтчетено доверие: 0%
Съдийска бележка: Explicit abstention.
✕K24UNKNOWNизключени от прекъсване
What new flagship AI system did OpenAI introduce?
Очакван отговорGPT-5Source ↗
Отговор на тестван модел—Точният отговор на модела не беше запазен за това архивирано изпълнение.
Съдийска присъда: WRONGОтчетено доверие: 40%
Съдийска бележка: Answered GPT-4o; expected GPT-5.
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
Run ID
68TGGQW6SM9411Y4XDAPH3BR3HБенчмарк
model-verification-single-request-v1.3съдия
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 recordedЗавършете причината
Not recordedHTTP състояние
200Външна латентност
10,087 msБайтове за отговор
2,591SHA-256
37edfee0969ea8c1529cf6db6830118353b483a27995cedcf20b25e5b40b8ff1Важно 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.