Veřejná zpráva o ověření modelu AI
claude-opus-4-6
https://api.model-gate.com/v1/chat/completions
Starší skóre kvality60/100
CONSISTENT88% spolehlivost hodnocení
Stálá zpráva
https://model-gate.com/cs/model-verification/results/68TGGQW6SM9411Y4XDAPH3BR3HAnalýza soudce
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.
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
✓ správné RECALL✕ špatně RECALL~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0správné RECALL
0špatně RECALL
Časové srovnání
CONSISTENTSrovnání limitu znalostí
Referenční limit2025-05OFFICIAL_WEB · 100%
Nejnovější podporované RECALL—0 způsobilé odpovědi RECALL
Pozorovaná hraniceNedostatečný důkaz RECALLINSUFFICIENT_RECALL_EVIDENCE
Zarovnání cutoffCONSISTENT88/100 · 87% důvěra
Soudce poznamenává
- 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.
Referenční limitní zdroje
Sémantický: opravit 16 · špatně 2 · neznámý 6. Vyloučeno z omezení: 0.
Behaviorální identita
CONSISTENT · 88%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
- 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.
Negativní signály
- 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.
Zdůvodnění identity soudce
- 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.
Odezva testovaného modelu
Doslovně extrahovaný text modelu
Archivovaný souhrn
Toto spuštění předcházelo uchování úplného přehledu při přihlášení. Výzva, klíč odpovědí a normalizované hodnocení soudce jsou k dispozici, ale přesný text odpovědi testovaného modelu byl záměrně vyřazen z těchto zásad ochrany osobních údajů z éry srovnávacích testů.
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
What was the name of Firefly Aerospace's lunar lander that successfully touched down on the Moon?
Očekávaná odpověďBlue GhostSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 85%
Poznámka soudce: Matches Blue Ghost.
✓K02UNKNOWNvyloučeno z přerušení
What was the name of Blue Origin's rocket that reached orbit on its maiden flight?
Očekávaná odpověďNew GlennSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 90%
Poznámka soudce: Matches New Glenn.
✓K03UNKNOWNvyloučeno z přerušení
What was the designation of the Blue Origin mission that carried an all-women crew including Katy Perry and Gayle King?
Očekávaná odpověďNS-31Source ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 45%
Poznámka soudce: Matches NS-31.
?K04UNKNOWNvyloučeno z přerušení
Who won the men's 100 metres at the 2025 World Athletics Championships in Tokyo?
Očekávaná odpověďOblique SevilleSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: UNKNOWNHlášená důvěra: 0%
Poznámka soudce: Explicit abstention.
✓K05UNKNOWNvyloučeno z přerušení
Which Venezuelan opposition leader was awarded the 2025 Nobel Peace Prize?
Očekávaná odpověďMaria Corina MachadoSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 60%
Poznámka soudce: Matches Maria Corina Machado.
?K06UNKNOWNvyloučeno z přerušení
At which Alaska military installation did Donald Trump meet Vladimir Putin for their 2025 summit?
Očekávaná odpověďJoint Base Elmendorf-RichardsonSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: UNKNOWNHlášená důvěra: 0%
Poznámka soudce: Explicit abstention.
✓K07UNKNOWNvyloučeno z přerušení
What landmark global health instrument did the World Health Assembly adopt?
Očekávaná odpověďWHO Pandemic AgreementSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 55%
Poznámka soudce: Explicitly includes WHO Pandemic Agreement.
✓K08UNKNOWNvyloučeno z přerušení
Which Brazilian city hosted the COP30 climate conference?
Očekávaná odpověďBelemSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 90%
Poznámka soudce: Matches Belem.
✓K09UNKNOWNvyloučeno z přerušení
Which new Nintendo console launched alongside Mario Kart World?
Očekávaná odpověďNintendo Switch 2Source ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 85%
Poznámka soudce: Matches Nintendo Switch 2.
?K10UNKNOWNvyloučeno z přerušení
Which album won Album of the Year at the 67th Grammy Awards?
Očekávaná odpověďCowboy CarterSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: UNKNOWNHlášená důvěra: 0%
Poznámka soudce: Explicit abstention.
?K11UNKNOWNvyloučeno z přerušení
Which performer won the 2025 Eurovision Song Contest for Austria with Wasted Love?
Očekávaná odpověďJJSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: UNKNOWNHlášená důvěra: 0%
Poznámka soudce: Explicit abstention.
✕K12UNKNOWNvyloučeno z přerušení
Which numbered iPhone generation did Apple debut at its September product event?
Očekávaná odpověďiPhone 17Source ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: WRONGHlášená důvěra: 75%
Poznámka soudce: Answered iPhone 16; expected iPhone 17.
✓K13UNKNOWNvyloučeno z přerušení
Which city hosted the COP29 climate conference that concluded with a new climate-finance agreement?
Očekávaná odpověďBakuSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 92%
Poznámka soudce: Matches Baku.
✓K14UNKNOWNvyloučeno z přerušení
Which Japanese organization was awarded the 2024 Nobel Peace Prize?
Očekávaná odpověďNihon HidankyoSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 95%
Poznámka soudce: Matches Nihon Hidankyo.
?K15UNKNOWNvyloučeno z přerušení
Which national team defeated Spain on penalties to win UEFA Women's Euro 2025?
Očekávaná odpověďEnglandSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: UNKNOWNHlášená důvěra: 0%
Poznámka soudce: Explicit abstention.
✓K16UNKNOWNvyloučeno z přerušení
Which pope died at the Vatican on Easter Monday 2025?
Očekávaná odpověďPope FrancisSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 85%
Poznámka soudce: Matches Pope Francis.
✓K17UNKNOWNvyloučeno z přerušení
Which film won Best Picture at the 97th Academy Awards?
Očekávaná odpověďAnoraSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 65%
Poznámka soudce: Matches Anora.
✓K18UNKNOWNvyloučeno z přerušení
Which political alliance became the largest group in Germany's 2025 Bundestag election?
Očekávaná odpověďCDU/CSUSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 85%
Poznámka soudce: Matches CDU/CSU.
✓K19UNKNOWNvyloučeno z přerušení
Which network of Indian forts became the country's 44th UNESCO World Heritage property?
Očekávaná odpověďMaratha Military Landscapes of IndiaSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 50%
Poznámka soudce: Matches Maratha Military Landscapes of India.
✓K20UNKNOWNvyloučeno z přerušení
Which mission conducted the first commercial spacewalk?
Očekávaná odpověďPolaris DawnSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 92%
Poznámka soudce: Matches Polaris Dawn.
✓K21UNKNOWNvyloučeno z přerušení
Which private astronaut mission launched Peggy Whitson and Shubhanshu Shukla to the International Space Station?
Očekávaná odpověďAxiom Mission 4Source ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 70%
Poznámka soudce: Matches Axiom Mission 4.
✓K22UNKNOWNvyloučeno z přerušení
Which Paris cathedral formally reopened five years after a devastating fire?
Očekávaná odpověďNotre-Dame de ParisSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: CORRECTHlášená důvěra: 97%
Poznámka soudce: Matches Notre-Dame de Paris.
?K23UNKNOWNvyloučeno z přerušení
Who won Chile's 2025 presidential runoff election?
Očekávaná odpověďJose Antonio KastSource ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: UNKNOWNHlášená důvěra: 0%
Poznámka soudce: Explicit abstention.
✕K24UNKNOWNvyloučeno z přerušení
What new flagship AI system did OpenAI introduce?
Očekávaná odpověďGPT-5Source ↗
Odpověď na testovaný model—Přesná odpověď modelu nebyla pro tento archivovaný běh zachována.
Verdikt soudce: WRONGHlášená důvěra: 40%
Poznámka soudce: Answered GPT-4o; expected GPT-5.
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
Spustit ID
68TGGQW6SM9411Y4XDAPH3BR3HBenchmark
model-verification-single-request-v1.3Soudce
gpt-5.6-solPožadovaný protokol
openai_chatZjištěné schéma odezvy
Legacy / not recordedKompatibilita protokolů
MATCH / dědictvíVýstup modelu
Not recordedVstupní tokeny
Not recordedVýstupní tokeny
Not recordedDokonči důvod
Not recordedStav HTTP
200Externí latence
10,087 msByty odpovědi
2,591SHA-256
37edfee0969ea8c1529cf6db6830118353b483a27995cedcf20b25e5b40b8ff1Důležité 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.