Veřejná zpráva o ověření modelu AI
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Starší skóre kvality87/100
CONSISTENT82% spolehlivost hodnocení
Stálá zpráva
https://model-gate.com/cs/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YAnalýza hodnotitele
Proč toto ověření dostalo svůj výsledek
Veřejná zpráva odráží analytické důkazy zobrazené testerovi po /chat/verify. Skóre rozhodčích jsou hodnocení rubrik; pouze explicitní správné nebo nesprávné odpovědi RECALL mohou ovlivnit hranici čistého stažení.
Diagnostika chování
4 diagnostikaOdůvodnění hodnocení rozhodčího
Pro tento archivovaný výsledek nebylo zachováno žádné samostatné zdůvodnění rozhodčího.
Pro tento archivovaný výsledek nebylo zachováno žádné samostatné zdůvodnění rozhodčího.
Pro tento archivovaný výsledek nebylo zachováno žádné samostatné zdůvodnění rozhodčího.
Pro tento archivovaný výsledek nebylo zachováno žádné samostatné zdůvodnění rozhodčího.
Poznámka k historickému benchmarku: toto archivované celkové skóre verze 1.4 využívalo dřívější pevnou diagnostickou agregaci. Je zachováno z důvodu reprodukovatelnosti a nesmí být interpretováno jako skóre v1.5 Model Match.
Časové důkazy
0 RECALL sondyČasová osa čistého vyvolání
Aktuální sada otázek byla zamíchána před požadavkem testovaného modelu. Chybějící generační sloty nejsou modelovým zdržením se hlasování. Časová osa rekonstruuje jejich cílové měsíce pro auditovatelnost. Pouze explicitní odpovědi RECALL jsou hraničním důkazem; INFERENCE, GUESS a UNKNOWN zůstávají viditelné, ale neposouvají hranici.
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
✓ správné RECALL✕ špatně RECALL~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0správné RECALL
0špatně RECALL
Časové srovnání
CONSISTENTSrovnání limitu znalostí
Referenční limit2025-05ESTIMATED_WEB · 0%
Nejnovější podporované RECALL—0 způsobilé odpovědi RECALL
Pozorovaná hraniceNedostatečný důkaz RECALLINSUFFICIENT_RECALL_EVIDENCE
Zarovnání cutoffCONSISTENT88/100 · 80% jistota
Poznámky hodnotitele
- 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.
Referenční limitní zdroje
Sémantický: správně 20 · nesprávně 4 · neznámé 0. Vyloučeno z omezení: 0.
Behaviorální identita
CONSISTENT · 82%Signály identity
Identita je odvozena z konzistence mezi nárokovaným modelem a pozorovaným profilem znalostí/odpovědí. Je to důkaz, nikoli dálkové potvrzení nebo kryptografický důkaz servírovacích závaží.
Pozitivní signály
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Negativní signály
- 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.
Zdůvodnění identity soudce
- 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.
Odezva testovaného modelu
Doslovně extrahovaný text modelu
Zveřejněné hodnocení
K dispozici je výzva, klíč odpovědí a normalizované hodnocení soudce. Přesný text testovaného modelu není k dispozici ke zveřejnění, pokud nebyl zachován s přihlášením testera. Publikováním hodnocení nevytvoříte souhlas ani neobnovíte vyřazený text.
Kompletní výpis benchmarků
Důkazy otázka od otázky
Všechny přijaté otázky jsou zobrazeny s očekávanou odpovědí, dostupným zdrojem, základem testovaného modelu, sémantickým verdiktem a způsobilostí pro omezení. Nehodnocené otázky nejsou modelové zdržení se hlasování. Správný GUESS nebo INFERENCE zůstává sémanticky správný, ale je vyloučen z čistého důkazu o mezní hodnotě vyvolání.
✕K01UNKNOWNvyloučeno z přerušení
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Očekávaná odpověďOblique SevilleSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: WRONGHlášená důvěra: 75%
Poznámka hodnotitele: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNvyloučeno z přerušení
Which team won the UEFA Women's Euro 2025 final?
Očekávaná odpověďEnglandSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: WRONGHlášená důvěra: 85%
Poznámka hodnotitele: Expected England; answered Spain.
✓K03UNKNOWNvyloučeno z přerušení
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Očekávaná odpověďmpoxSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches mpox.
✓K04UNKNOWNvyloučeno z přerušení
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Očekávaná odpověďAlphaFold 3Source ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches AlphaFold 3.
✓K05UNKNOWNvyloučeno z přerušení
What model did OpenAI release as a unified system with built-in thinking?
Očekávaná odpověďGPT-5Source ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 90%
Poznámka hodnotitele: Matches GPT-5.
✓K06UNKNOWNvyloučeno z přerušení
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Očekávaná odpověďWindowsSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Microsoft Windows is accepted.
✕K07UNKNOWNvyloučeno z přerušení
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Očekávaná odpověďOdysseusSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: WRONGHlášená důvěra: 80%
Poznámka hodnotitele: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNvyloučeno z přerušení
What was the name of Japan's lunar lander that successfully reached the Moon?
Očekávaná odpověďSLIMSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches SLIM.
✓K09UNKNOWNvyloučeno z přerušení
Who became the first private astronaut to perform a spacewalk?
Očekávaná odpověďJared IsaacmanSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches Jared Isaacman.
✓K10UNKNOWNvyloučeno z přerušení
Which country was appointed host of the 2034 FIFA World Cup?
Očekávaná odpověďSaudi ArabiaSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches Saudi Arabia.
✓K11UNKNOWNvyloučeno z přerušení
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Očekávaná odpověďMare CrisiumSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 90%
Poznámka hodnotitele: Matches Mare Crisium.
✓K12UNKNOWNvyloučeno z přerušení
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Očekávaná odpověďDeepSeek-R1Source ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches DeepSeek-R1.
✓K13UNKNOWNvyloučeno z přerušení
What was the name of the second malaria vaccine prequalified by WHO?
Očekávaná odpověďR21/Matrix-MSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 90%
Poznámka hodnotitele: Matches R21/Matrix-M.
✓K14UNKNOWNvyloučeno z přerušení
Which album won Album of the Year at the 67th Grammy Awards?
Očekávaná odpověďCowboy CarterSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches Cowboy Carter.
✓K15UNKNOWNvyloučeno z přerušení
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Očekávaná odpověď523Source ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 85%
Poznámka hodnotitele: Matches 523.
✓K16UNKNOWNvyloučeno z přerušení
How many grams of lunar material did the Chang'e-6 mission collect?
Očekávaná odpověď1,935.3 gramsSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 90%
Poznámka hodnotitele: Matches 1,935.3 grams.
✓K17UNKNOWNvyloučeno z přerušení
Which rocket launched NASA's Europa Clipper spacecraft?
Očekávaná odpověďFalcon HeavySource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches Falcon Heavy.
✓K18UNKNOWNvyloučeno z přerušení
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Očekávaná odpověďGaia BH3Source ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 90%
Poznámka hodnotitele: Matches Gaia BH3.
✕K19UNKNOWNvyloučeno z přerušení
Who was awarded the 2025 Nobel Peace Prize?
Očekávaná odpověďMaria Corina MachadoSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: WRONGHlášená důvěra: 70%
Poznámka hodnotitele: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNvyloučeno z přerušení
What annual climate-finance goal for developing countries did COP29 set for 2035?
Očekávaná odpověďUS$300 billion per yearSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 90%
Poznámka hodnotitele: Matches $300 billion per year.
✓K21UNKNOWNvyloučeno z přerušení
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Očekávaná odpověďFram2Source ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 90%
Poznámka hodnotitele: Matches Fram2.
✓K22UNKNOWNvyloučeno z přerušení
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Očekávaná odpověďArticle 19Source ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 75%
Poznámka hodnotitele: Matches Article 19.
✓K23UNKNOWNvyloučeno z přerušení
Which new Mario Kart game launched alongside Nintendo Switch 2?
Očekávaná odpověďMario Kart WorldSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches Mario Kart World.
✓K24UNKNOWNvyloučeno z přerušení
What model did OpenAI introduce with a 128K context window at its first DevDay?
Očekávaná odpověďGPT-4 TurboSource ↗
Odpověď na testovaný model—Přesná modelová odpověď není k dispozici ke zveřejnění.
Verdikt hodnotitele: CORRECTHlášená důvěra: 95%
Poznámka hodnotitele: Matches GPT-4 Turbo.
Pokrytí otázky a poznámky výzkumu
Věcné otázky: 24 · Nehodnoceno rozhodčím: 0
Referenční limit a citace dodává porotce, platforma je nezávisle nepotvrzuje. Výzkumné poznámky nepenalizují testovaný model.
Spustit metadata
Podrobnosti o reprodukovatelnosti
ID spuštění
0B0HVDB2FRJEJC90BRG4D7JV1YBenchmark
model-verification-single-request-v1.2Hodnoticí model
gpt-5.6-solPožadovaný protokol
openai_chatZjištěné schéma odezvy
Legacy / not recordedKompatibilita protokolů
MATCH / dědictvíVýstup modelu
Not recordedVstupní tokeny
Not recordedVýstupní tokeny
Not recordedDůvod ukončení
Not recordedStav HTTP
200Externí latence
88,304 msByty odpovědi
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dDůležité omezení
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.
Proveďte nezávislé ověření
Než se spolehnete na inzerovanou identitu modelu, otestujte si stejný koncový bod sami nebo si projděte jiné veřejné sestavy.