Δημόσια έκθεση επαλήθευσης μοντέλου AI
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Δείκτης ποιότητας παλαιού τύπου87/100
CONSISTENT82% αξιοπιστία της αξιολόγησης
Μόνιμη έκθεση
https://model-gate.com/el/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YΑνάλυση αξιολογητή
Γιατί αυτή η επαλήθευση έλαβε το αποτέλεσμά της
Η δημόσια αναφορά αντικατοπτρίζει τα αναλυτικά στοιχεία που εμφανίζονται στον ελεγκτή μετά το /chat/verify. Οι βαθμολογίες των κριτών είναι αξιολογήσεις ρουμπρίκων. μόνο σαφείς σωστές ή λάθος απαντήσεις RECALL μπορεί να επηρεάσουν το όριο αποκοπής καθαρής ανάκλησης.
Διαγνωστικά συμπεριφοράς
4 διαγνωστικάΣκεπτικό βαθμολόγησης κριτών
Για αυτό το αρχειοθετημένο αποτέλεσμα δεν διατηρήθηκε καμία χωριστή αιτιολογία του κριτή.
Για αυτό το αρχειοθετημένο αποτέλεσμα δεν διατηρήθηκε καμία χωριστή αιτιολογία του κριτή.
Για αυτό το αρχειοθετημένο αποτέλεσμα δεν διατηρήθηκε καμία χωριστή αιτιολογία του κριτή.
Για αυτό το αρχειοθετημένο αποτέλεσμα δεν διατηρήθηκε καμία χωριστή αιτιολογία του κριτή.
Σημείωση ιστορικού σημείου αναφοράς: αυτή η αρχειοθετημένη συνολική βαθμολογία v1.4 χρησιμοποιούσε την προηγούμενη σταθερή διαγνωστική συγκέντρωση. Διατηρείται για αναπαραγωγιμότητα και δεν πρέπει να ερμηνεύεται ως βαθμολογία αντιστοιχίας μοντέλου v1.5.
Διαχρονικά στοιχεία
0 Ανιχνευτές ανάκλησηςΧρονολόγιο καθαρής ανάκλησης
Το πραγματικό σύνολο ερωτήσεων ανακάτεψε πριν από το αίτημα δοκιμασμένου μοντέλου. Οι υποδοχές γενιάς που λείπουν δεν είναι οι αποχές του μοντέλου. Το χρονοδιάγραμμα αναδομεί τους μήνες-στόχους τους για δυνατότητα ελέγχου. Μόνο οι ρητές απαντήσεις ανάκλησης αποτελούν αποδεικτικά στοιχεία. ΣΥΜΠΕΡΑΣΜΑ, ΜΑΝΤΩΣΗ και ΑΓΝΩΣΤΟ παραμένουν ορατά αλλά δεν μετακινούν το όριο.
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
✓ σωστή ανάκληση✕ λάθος ανάκληση~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0σωστή ανάκληση
0λάθος ανάκληση
Χρονική σύγκριση
CONSISTENTΣύγκριση αποκοπής γνώσης
Αποκοπή αναφοράς2025-05ESTIMATED_WEB · 0%
Τελευταία υποστηριζόμενη ανάκληση—0 κατάλληλες απαντήσεις ανάκλησης
Παρατηρημένο όριοΑνεπαρκή στοιχεία ανάκλησηςINSUFFICIENT_RECALL_EVIDENCE
Ευθυγράμμιση αποκοπήςCONSISTENT88/100 · 80% βεβαιότητα
Σημειώσεις αξιολογητή
- 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.
Πηγές αναφοράς-αποκοπής
Σημασιολογικός: σωστό 20 · λάθος 4 · άγνωστο 0. Εξαιρείται από την αποκοπή: 0.
Συμπεριφορική ταυτότητα
CONSISTENT · 82%Σήματα ταυτότητας
Η ταυτότητα συνάγεται από τη συνέπεια μεταξύ του διεκδικούμενου μοντέλου και του παρατηρούμενου προφίλ γνώσης/απάντησης. Είναι αποδεικτικό στοιχείο, όχι εξ αποστάσεως βεβαίωση ή κρυπτογραφική απόδειξη των βαρών σερβιρίσματος.
Θετικά σήματα
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Αρνητικά σήματα
- 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.
Το σκεπτικό της ταυτότητας του δικαστή
- 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.
Απόκριση δοκιμασμένου μοντέλου
Κατά λέξη εξαγόμενο μοντέλο κειμένου
Δημοσιευμένη αξιολόγηση
Η πρόκληση, το κλειδί απάντησης και η κανονικοποιημένη αξιολόγηση κριτών είναι διαθέσιμα. Το ακριβές κείμενο δοκιμασμένου μοντέλου δεν είναι διαθέσιμο για δημοσίευση, εκτός εάν διατηρήθηκε με τη συμμετοχή του ελεγκτή. Η δημοσίευση μιας αξιολόγησης δεν δημιουργεί αυτή τη συγκατάθεση ούτε ανακτά το απορριφθέν κείμενο.
Πλήρης λίστα αναφοράς
Αποδεικτικά στοιχεία ερώτηση προς ερώτηση
Όλες οι αποδεκτές ερωτήσεις εμφανίζονται με την αναμενόμενη απάντηση, τη διαθέσιμη πηγή, τη βάση του δοκιμασμένου μοντέλου, τη σημασιολογική ετυμηγορία και την καταλληλότητα αποκοπής. Οι μη βαθμολογημένες ερωτήσεις δεν είναι αποχές μοντέλων. Μια σωστή ΜΑΝΤΕΨΗ ή ΣΥΜΠΕΡΑΣΜΑ παραμένει σωστή σημασιολογικά, αλλά αποκλείεται από αποδείξεις αποκοπής καθαρής ανάκλησης.
✕K01UNKNOWNεξαιρούνται από την αποκοπή
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Αναμενόμενη απάντησηOblique SevilleSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: WRONGΑναφέρθηκε εμπιστοσύνη: 75%
Σημείωση αξιολογητή: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNεξαιρούνται από την αποκοπή
Which team won the UEFA Women's Euro 2025 final?
Αναμενόμενη απάντησηEnglandSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: WRONGΑναφέρθηκε εμπιστοσύνη: 85%
Σημείωση αξιολογητή: Expected England; answered Spain.
✓K03UNKNOWNεξαιρούνται από την αποκοπή
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Αναμενόμενη απάντησηmpoxSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches mpox.
✓K04UNKNOWNεξαιρούνται από την αποκοπή
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Αναμενόμενη απάντησηAlphaFold 3Source ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches AlphaFold 3.
✓K05UNKNOWNεξαιρούνται από την αποκοπή
What model did OpenAI release as a unified system with built-in thinking?
Αναμενόμενη απάντησηGPT-5Source ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 90%
Σημείωση αξιολογητή: Matches GPT-5.
✓K06UNKNOWNεξαιρούνται από την αποκοπή
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Αναμενόμενη απάντησηWindowsSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Microsoft Windows is accepted.
✕K07UNKNOWNεξαιρούνται από την αποκοπή
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Αναμενόμενη απάντησηOdysseusSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: WRONGΑναφέρθηκε εμπιστοσύνη: 80%
Σημείωση αξιολογητή: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNεξαιρούνται από την αποκοπή
What was the name of Japan's lunar lander that successfully reached the Moon?
Αναμενόμενη απάντησηSLIMSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches SLIM.
✓K09UNKNOWNεξαιρούνται από την αποκοπή
Who became the first private astronaut to perform a spacewalk?
Αναμενόμενη απάντησηJared IsaacmanSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches Jared Isaacman.
✓K10UNKNOWNεξαιρούνται από την αποκοπή
Which country was appointed host of the 2034 FIFA World Cup?
Αναμενόμενη απάντησηSaudi ArabiaSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches Saudi Arabia.
✓K11UNKNOWNεξαιρούνται από την αποκοπή
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Αναμενόμενη απάντησηMare CrisiumSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 90%
Σημείωση αξιολογητή: Matches Mare Crisium.
✓K12UNKNOWNεξαιρούνται από την αποκοπή
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Αναμενόμενη απάντησηDeepSeek-R1Source ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches DeepSeek-R1.
✓K13UNKNOWNεξαιρούνται από την αποκοπή
What was the name of the second malaria vaccine prequalified by WHO?
Αναμενόμενη απάντησηR21/Matrix-MSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 90%
Σημείωση αξιολογητή: Matches R21/Matrix-M.
✓K14UNKNOWNεξαιρούνται από την αποκοπή
Which album won Album of the Year at the 67th Grammy Awards?
Αναμενόμενη απάντησηCowboy CarterSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches Cowboy Carter.
✓K15UNKNOWNεξαιρούνται από την αποκοπή
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Αναμενόμενη απάντηση523Source ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 85%
Σημείωση αξιολογητή: Matches 523.
✓K16UNKNOWNεξαιρούνται από την αποκοπή
How many grams of lunar material did the Chang'e-6 mission collect?
Αναμενόμενη απάντηση1,935.3 gramsSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 90%
Σημείωση αξιολογητή: Matches 1,935.3 grams.
✓K17UNKNOWNεξαιρούνται από την αποκοπή
Which rocket launched NASA's Europa Clipper spacecraft?
Αναμενόμενη απάντησηFalcon HeavySource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches Falcon Heavy.
✓K18UNKNOWNεξαιρούνται από την αποκοπή
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Αναμενόμενη απάντησηGaia BH3Source ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 90%
Σημείωση αξιολογητή: Matches Gaia BH3.
✕K19UNKNOWNεξαιρούνται από την αποκοπή
Who was awarded the 2025 Nobel Peace Prize?
Αναμενόμενη απάντησηMaria Corina MachadoSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: WRONGΑναφέρθηκε εμπιστοσύνη: 70%
Σημείωση αξιολογητή: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNεξαιρούνται από την αποκοπή
What annual climate-finance goal for developing countries did COP29 set for 2035?
Αναμενόμενη απάντησηUS$300 billion per yearSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 90%
Σημείωση αξιολογητή: Matches $300 billion per year.
✓K21UNKNOWNεξαιρούνται από την αποκοπή
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Αναμενόμενη απάντησηFram2Source ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 90%
Σημείωση αξιολογητή: Matches Fram2.
✓K22UNKNOWNεξαιρούνται από την αποκοπή
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Αναμενόμενη απάντησηArticle 19Source ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 75%
Σημείωση αξιολογητή: Matches Article 19.
✓K23UNKNOWNεξαιρούνται από την αποκοπή
Which new Mario Kart game launched alongside Nintendo Switch 2?
Αναμενόμενη απάντησηMario Kart WorldSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches Mario Kart World.
✓K24UNKNOWNεξαιρούνται από την αποκοπή
What model did OpenAI introduce with a 128K context window at its first DevDay?
Αναμενόμενη απάντησηGPT-4 TurboSource ↗
Απάντηση δοκιμασμένου μοντέλου—Το ακριβές μοντέλο απάντησης δεν είναι διαθέσιμο για δημοσίευση.
Πόρισμα αξιολογητή: CORRECTΑναφέρθηκε εμπιστοσύνη: 95%
Σημείωση αξιολογητή: Matches GPT-4 Turbo.
Κάλυψη ερωτήσεων και σημειώσεις έρευνας
Πραγματικές ερωτήσεις: 24 · Δεν βαθμολογείται από δικαστή: 0
Το σημείο αναφοράς και οι παραπομπές παρέχονται από τον κριτή, δεν επιβεβαιώνονται ανεξάρτητα από την πλατφόρμα. Οι ερευνητικές σημειώσεις δεν τιμωρούν το δοκιμασμένο μοντέλο.
Εκτέλεση μεταδεδομένων
Λεπτομέρειες αναπαραγωγιμότητας
ID εκτέλεσης
0B0HVDB2FRJEJC90BRG4D7JV1YΣημείο αναφοράς
model-verification-single-request-v1.2Μοντέλο αξιολόγησης
gpt-5.6-solΖητήθηκε πρωτόκολλο
openai_chatΕντοπίστηκε σχήμα απόκρισης
Legacy / not recordedΣυμβατότητα πρωτοκόλλου
ΑΓΩΝΑΣ / κληρονομιάΈξοδος μοντέλου
Not recordedTokens εισόδου
Not recordedTokens εξόδου
Not recordedΛόγος ολοκλήρωσης
Not recordedΚατάσταση HTTP
200Εξωτερική καθυστέρηση
88,304 msbyte απόκρισης
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dΣημαντικός περιορισμός
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.
Εκτελέστε μια ανεξάρτητη επαλήθευση
Δοκιμάστε μόνοι σας το ίδιο τελικό σημείο ή περιηγηθείτε σε άλλες δημόσιες αναφορές προτού βασιστείτε σε μια διαφημιζόμενη ταυτότητα μοντέλου.