Informe públic de verificació del model d'IA
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Nivell de qualitat heretat87/100
CONSISTENT82% confiança en l'avaluació
Informe permanent
https://model-gate.com/ca/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YAnàlisi de l’avaluador
Per què aquesta verificació va rebre el seu resultat
L'informe públic reflecteix l'evidència analítica mostrada al verificador després de /chat/verify. Les puntuacions dels jutges són avaluacions de rúbrica; només les respostes RECALL explícites correctes o incorrectes poden influir en el límit de tall de record pur.
Diagnòstic de la conducta
4 diagnòsticsJustificació de la puntuació del jutge
No es va retenir cap justificació de jutge independent per a aquest resultat arxivat.
No es va retenir cap justificació de jutge independent per a aquest resultat arxivat.
No es va retenir cap justificació de jutge independent per a aquest resultat arxivat.
No es va retenir cap justificació de jutge independent per a aquest resultat arxivat.
Nota de referència històrica: aquesta puntuació global de la v1.4 arxivada utilitzava l'anterior agregació de diagnòstic fix. Es conserva per a la seva reproductibilitat i no s'ha d'interpretar com una puntuació de concordança del model v1.5.
Evidència temporal
0 Sondes RECALLLínia de temps de record pur
El conjunt de preguntes real es va barrejar abans de la sol·licitud del model provat. Els espais de generació que falten no són abstencions de model. La línia de temps reconstrueix els mesos objectiu per a la seva auditabilitat. Només les respostes RECALL explícites són proves de tall; INFERÈNCIA, ENDEVINA i DESCONEGUT romanen visibles però no mouen el límit.
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
✓ RECOLLIDA correcta✕ RECORD equivocat~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0RECOLLIDA correcta
0RECORD equivocat
Comparació temporal
CONSISTENTComparació de talls de coneixement
Tall de referència2025-05ESTIMATED_WEB · 0%
L'últim RECALL compatible—0 respostes RECALL elegibles
Límit observatProves de RECALL insuficientsINSUFFICIENT_RECALL_EVIDENCE
Alineació de tallCONSISTENT88/100 · 80% confiança
Notes de l’avaluador
- 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.
Fonts de tall de referència
Semàntica: correcte 20 · incorrecte 4 · desconegut 0. Exclòs del tall: 0.
Identitat de comportament
CONSISTENT · 82%Senyals d'identitat
La identitat es dedueix de la coherència entre el model reivindicat i el perfil de coneixement/resposta observat. És una prova, no una certificació remota o una prova criptogràfica dels pesos de la porció.
Senyals positius
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Senyals negatius
- 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.
Justificació de la identitat del jutge
- 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.
Resposta del model provat
Text model extret textualment
Valoració publicada
El repte, la clau de respostes i l'avaluació normalitzada del jutge estan disponibles. El text exacte del model provat no està disponible per a la seva publicació tret que s'hagi retingut amb l'activació del provador. La publicació d'una avaluació no crea aquest consentiment ni recupera el text descartat.
Llistat complet de referència
Evidència pregunta per pregunta
Totes les preguntes admeses es mostren amb la resposta esperada, la font disponible, la base del model provat, el veredicte semàntic i l'elegibilitat de tall. Les preguntes no qualificades no són abstencions model. Una CONDECINA o INFERÈNCIA correcta segueix sent correcta semànticament, però s'exclou de l'evidència de tall de record pur.
✕K01UNKNOWNexclòs del tall
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Resposta esperadaOblique SevilleSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: WRONGConfiança informada: 75%
Nota de l’avaluador: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNexclòs del tall
Which team won the UEFA Women's Euro 2025 final?
Resposta esperadaEnglandSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: WRONGConfiança informada: 85%
Nota de l’avaluador: Expected England; answered Spain.
✓K03UNKNOWNexclòs del tall
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Resposta esperadampoxSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches mpox.
✓K04UNKNOWNexclòs del tall
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Resposta esperadaAlphaFold 3Source ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches AlphaFold 3.
✓K05UNKNOWNexclòs del tall
What model did OpenAI release as a unified system with built-in thinking?
Resposta esperadaGPT-5Source ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 90%
Nota de l’avaluador: Matches GPT-5.
✓K06UNKNOWNexclòs del tall
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Resposta esperadaWindowsSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Microsoft Windows is accepted.
✕K07UNKNOWNexclòs del tall
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Resposta esperadaOdysseusSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: WRONGConfiança informada: 80%
Nota de l’avaluador: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNexclòs del tall
What was the name of Japan's lunar lander that successfully reached the Moon?
Resposta esperadaSLIMSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches SLIM.
✓K09UNKNOWNexclòs del tall
Who became the first private astronaut to perform a spacewalk?
Resposta esperadaJared IsaacmanSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches Jared Isaacman.
✓K10UNKNOWNexclòs del tall
Which country was appointed host of the 2034 FIFA World Cup?
Resposta esperadaSaudi ArabiaSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches Saudi Arabia.
✓K11UNKNOWNexclòs del tall
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Resposta esperadaMare CrisiumSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 90%
Nota de l’avaluador: Matches Mare Crisium.
✓K12UNKNOWNexclòs del tall
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Resposta esperadaDeepSeek-R1Source ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches DeepSeek-R1.
✓K13UNKNOWNexclòs del tall
What was the name of the second malaria vaccine prequalified by WHO?
Resposta esperadaR21/Matrix-MSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 90%
Nota de l’avaluador: Matches R21/Matrix-M.
✓K14UNKNOWNexclòs del tall
Which album won Album of the Year at the 67th Grammy Awards?
Resposta esperadaCowboy CarterSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches Cowboy Carter.
✓K15UNKNOWNexclòs del tall
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Resposta esperada523Source ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 85%
Nota de l’avaluador: Matches 523.
✓K16UNKNOWNexclòs del tall
How many grams of lunar material did the Chang'e-6 mission collect?
Resposta esperada1,935.3 gramsSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 90%
Nota de l’avaluador: Matches 1,935.3 grams.
✓K17UNKNOWNexclòs del tall
Which rocket launched NASA's Europa Clipper spacecraft?
Resposta esperadaFalcon HeavySource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches Falcon Heavy.
✓K18UNKNOWNexclòs del tall
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Resposta esperadaGaia BH3Source ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 90%
Nota de l’avaluador: Matches Gaia BH3.
✕K19UNKNOWNexclòs del tall
Who was awarded the 2025 Nobel Peace Prize?
Resposta esperadaMaria Corina MachadoSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: WRONGConfiança informada: 70%
Nota de l’avaluador: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNexclòs del tall
What annual climate-finance goal for developing countries did COP29 set for 2035?
Resposta esperadaUS$300 billion per yearSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 90%
Nota de l’avaluador: Matches $300 billion per year.
✓K21UNKNOWNexclòs del tall
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Resposta esperadaFram2Source ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 90%
Nota de l’avaluador: Matches Fram2.
✓K22UNKNOWNexclòs del tall
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Resposta esperadaArticle 19Source ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 75%
Nota de l’avaluador: Matches Article 19.
✓K23UNKNOWNexclòs del tall
Which new Mario Kart game launched alongside Nintendo Switch 2?
Resposta esperadaMario Kart WorldSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches Mario Kart World.
✓K24UNKNOWNexclòs del tall
What model did OpenAI introduce with a 128K context window at its first DevDay?
Resposta esperadaGPT-4 TurboSource ↗
Resposta del model provat—La resposta del model exacte no està disponible per a la seva publicació.
Veredicte de l’avaluador: CORRECTConfiança informada: 95%
Nota de l’avaluador: Matches GPT-4 Turbo.
Cobertura de preguntes i notes de recerca
Preguntes de fet: 24 · No qualificat pel jutge: 0
El tall de referència i les citacions són proporcionades pel jutge, no confirmades de manera independent per la plataforma. Les notes de recerca no penalitzen el model provat.
Executeu metadades
Detalls de reproductibilitat
ID de l’execució
0B0HVDB2FRJEJC90BRG4D7JV1YReferent
model-verification-single-request-v1.2Model avaluador
gpt-5.6-solProtocol sol·licitat
openai_chatEsquema de resposta detectat
Legacy / not recordedCompatibilitat de protocols
PARTIT / llegatSortida del model
Not recordedTokens d’entrada
Not recordedTokens de sortida
Not recordedMotiu de finalització
Not recordedEstat HTTP
200Latència externa
88,304 msBytes de resposta
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dLimitació important
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.
Executeu una verificació independent
Proveu vosaltres mateixos el mateix punt final o navegueu per altres informes públics abans de confiar en una identitat de model anunciada.