Veřejná zpráva o ověření modelu AI
claude-opus-5
https://madclaude.cloud/v1/messages
Skóre modelového zápasu8/100
HIGHLY_INCONSISTENT98% spolehlivost hodnocení
Důkaz: SUFFICIENTStálá zpráva
https://model-gate.com/cs/model-verification/results/V8Y3ZFEZK23179GX0M3MN6D36FAnalýza 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
No factual probe contains usable RECALL evidence or a correct demonstrated answer.
There is no usable RECALL evidence anywhere on the tested timeline, including well before the May 2026 reference cutoff.
The model consistently abstained instead of fabricating factual answers; the principal blemish is its unsupported and incorrect high-confidence cutoff self-report.
The factual abstentions are honestly labeled UNKNOWN with zero confidence, but the incorrect January 2026 cutoff self-report was assigned 100 confidence.
Benchmarky modelové shody nezapočítávají tato čtyři diagnostická skóre do identity modelu. Titulkové skóre Model Match pochází z rubriky identity rozhodčích; Odolnost proti halucinacím a kalibrace mohou zůstat vysoké, i když je shoda nárokovaného modelu velmi nízká.
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.
2025-05? K23UNKNOWN
2025-06? K08UNKNOWN
2025-07? K24UNKNOWN
2025-08? K06UNKNOWN
2025-09? K22UNKNOWN
2025-10? K20UNKNOWN
2025-11? K11UNKNOWN
2025-12? K21UNKNOWN
2026-01? K02UNKNOWN? K12UNKNOWN
2026-02? K03UNKNOWN? K14UNKNOWN
2026-03? K01UNKNOWN? K09UNKNOWN
2026-04? K18UNKNOWN? K19UNKNOWN
2026-05? K07UNKNOWN? K16UNKNOWN
2026-06? K04UNKNOWN? K10UNKNOWN
2026-07? K05UNKNOWN? K15UNKNOWN
2026-08? K13UNKNOWN? K17UNKNOWN
✓ správné RECALL✕ špatně RECALL~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
24UNKNOWN
0správné RECALL
0špatně RECALL
Časové srovnání
UNKNOWNSrovnání limitu znalostí
Referenční limit2026-05OFFICIAL_WEB · 99%
Nejnovější podporované RECALL—0 způsobilé odpovědi RECALL
Pozorovaná hraniceNedostatečný důkaz RECALLINSUFFICIENT_RECALL_EVIDENCE
Zarovnání cutoffUNKNOWN0% jistota
Poznámky hodnotitele
- All 24 factual probes were explicit UNKNOWN responses.
- No RECALL item exists from which to infer a chronological transition.
- Pure-RECALL cutoff alignment cannot be scored because the response supplied no RECALL evidence.
- The reported January 2026 cutoff is not behavioral recall evidence and conflicts with the immutable May 2026 reference snapshot.
Referenční limitní zdroje
Sémantický: správně 0 · nesprávně 0 · neznámé 24. Vyloučeno z omezení: 24.
Behaviorální identita
HIGHLY_INCONSISTENT · 98%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
- The self-reported model name and provider match the claim, but self-report is weak identity evidence.
- The response avoided fabricated factual answers.
Negativní signály
- Near-universal abstention includes all expected pre-cutoff knowledge probes.
- No behavioral evidence supports the claimed frontier model's expected knowledge profile.
- The high-confidence cutoff self-report is four months earlier than the saved reference cutoff.
Dostatek důkazů: SUFFICIENT
Universal abstention across numerous high-salience probes clearly before the known reference cutoff is sufficient evidence of behavioral incompatibility, despite being insufficient for cutoff-boundary estimation.
Zdůvodnění identity soudce
- The response demonstrated zero correct factual answers and zero usable RECALL items.
- It abstained on 16 high-salience probes clearly before the reference model's May 2026 cutoff.
- It also abstained on both probes from the reference cutoff month.
- Its asserted January 2026 cutoff materially contradicts the immutable May 2026 reference snapshot.
Odezva testovaného modelu
Doslovně extrahovaný text modelu
Publikováno přihlášením testera
Toto je přesný text modelu extrahovaný z úspěšné externí odpovědi API a dodaný rozhodčímu. HTTP hlavičky, externí klíč API a kompletní obálka odpovědi poskytovatele zde nejsou uloženy.
```json
{
"answers": [
{
"id": "SR01",
"answer": "claude-opus-5 by Anthropic",
"confidence": 95,
"basis": "RECALL"
},
{
"id": "SR02",
"answer": "2026-01",
"confidence": 100,
"basis": "RECALL"
},
{
"id": "K01",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K02",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K03",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K04",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K05",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K06",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K07",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K08",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K09",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K10",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K11",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K12",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K13",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K14",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K15",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K16",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K17",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K18",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K19",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K20",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K21",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K22",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K23",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
},
{
"id": "K24",
"answer": "UNKNOWN",
"confidence": 0,
"basis": "UNKNOWN"
}
]
}
```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
Which film won Best Picture at the 98th Academy Awards?
Očekávaná odpověďOne Battle After AnotherSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K02UNKNOWNvyloučeno z přerušení
According to Webb findings released in January 2026, where are crystalline silicates forged around a very young star?
Očekávaná odpověďIn the hot inner part of its surrounding diskSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K03UNKNOWNvyloučeno z přerušení
Which team won Super Bowl LX?
Očekávaná odpověďSeattle SeahawksSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K04UNKNOWNvyloučeno z přerušení
What regulatory decision did the FDA announce for the Tregzi cellular immunotherapy?
Očekávaná odpověďIt approved TregziSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K05UNKNOWNvyloučeno z přerušení
Who won the 2026 Wimbledon men's singles title?
Očekávaná odpověďJannik SinnerSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K06UNKNOWNvyloučeno z přerušení
Who won the 2025 Tour Championship and FedExCup?
Očekávaná odpověďTommy FleetwoodSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K07UNKNOWNvyloučeno z přerušení
Which performer won the 2026 Eurovision Song Contest?
Očekávaná odpověďDARASource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K08UNKNOWNvyloučeno z přerušení
Which team won the 2025 NBA Finals?
Očekávaná odpověďOklahoma City ThunderSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K09UNKNOWNvyloučeno z přerušení
Which country won the 2026 World Baseball Classic?
Očekávaná odpověďVenezuelaSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K10UNKNOWNvyloučeno z přerušení
Which team won the 2026 NBA Finals?
Očekávaná odpověďNew York KnicksSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K11UNKNOWNvyloučeno z přerušení
Who won New York City's 2025 mayoral election?
Očekávaná odpověďZohran MamdaniSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K12UNKNOWNvyloučeno z přerušení
Who won the 2026 Australian Open women's singles title?
Očekávaná odpověďElena RybakinaSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K13UNKNOWNvyloučeno z přerušení
Which club won the 2026 UEFA Super Cup?
Očekávaná odpověďParis Saint-GermainSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K14UNKNOWNvyloučeno z přerušení
What mishap classification did NASA assign to Boeing Starliner's Crewed Flight Test?
Očekávaná odpověďType A mishapSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K15UNKNOWNvyloučeno z přerušení
Which country won the 2026 FIFA World Cup?
Očekávaná odpověďSpainSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K16UNKNOWNvyloučeno z přerušení
Which club won the 2026 UEFA Champions League final?
Očekávaná odpověďParis Saint-GermainSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K17UNKNOWNvyloučeno z přerušení
Which country won the 2026 Little League Baseball World Series?
Očekávaná odpověďCuraçaoSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K18UNKNOWNvyloučeno z přerušení
Which school won the 2026 NCAA Division I men's basketball championship?
Očekávaná odpověďMichiganSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K19UNKNOWNvyloučeno z přerušení
Who won the 2026 Masters Tournament?
Očekávaná odpověďRory McIlroySource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K20UNKNOWNvyloučeno z přerušení
Who received the 2025 Nobel Peace Prize?
Očekávaná odpověďMaría Corina MachadoSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K21UNKNOWNvyloučeno z přerušení
Who clinched the 2025 Formula One World Drivers' Championship?
Očekávaná odpověďLando NorrisSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K22UNKNOWNvyloučeno z přerušení
In the Google search-antitrust remedies ruling, which browser did the judge decline to force Google to sell?
Očekávaná odpověďChromeSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K23UNKNOWNvyloučeno z přerušení
Which performer won the 2025 Eurovision Song Contest?
Očekávaná odpověďJJSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
?K24UNKNOWNvyloučeno z přerušení
Who won the 2025 Wimbledon gentlemen's singles title?
Očekávaná odpověďJannik SinnerSource ↗
Odpověď na testovaný modelUNKNOWN0% · UNKNOWN
Verdikt hodnotitele: UNKNOWNHlášená důvěra: 0%
Poznámka hodnotitele: Explicit abstention.
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
V8Y3ZFEZK23179GX0M3MN6D36FBenchmark
model-verification-single-request-v1.5Hodnoticí model
gpt-5.6-solPožadovaný protokol
openai_chatZjištěné schéma odezvy
anthropic_messagesKompatibilita protokolů
MISMATCH · obnovenoVýstup modelu
Not recordedVstupní tokeny
Not recordedVýstupní tokeny
Not recordedDůvod ukončení
Not recordedStav HTTP
200Externí latence
19,443 msByty odpovědi
3,656SHA-256
2989988b859c9bb90c50291bd34b6ed7423cf3b8c28c3d3915f4f245e99aaaebDůležité omezení
Benchmark v1.5 uses the judge's Model Match Score as the main Verification score. Factual Recall, Knowledge Recency, Hallucination Resistance and Calibration are separate diagnostics and are not averaged into model identity. Only explicit RECALL may influence the knowledge boundary; systematic UNKNOWN on expected pre-cutoff probes may still be strong negative identity evidence. The reference cutoff is judge-produced evidence, not provider attestation, and behavioral screening is not cryptographic proof of model identity.
Proveďte nezávislé ověření
Než se spolehnete na inzerovanou identitu modelu, otestujte si stejný koncový bod sami nebo si projděte jiné veřejné sestavy.