Δημόσια έκθεση επαλήθευσης μοντέλου AI
claude-opus-5
https://madclaude.cloud/v1/messages
Βαθμολογία αγώνα μοντέλου8/100
HIGHLY_INCONSISTENT98% αξιοπιστία της αξιολόγησης
Απόδειξη: SUFFICIENTΜόνιμη έκθεση
https://model-gate.com/el/model-verification/results/V8Y3ZFEZK23179GX0M3MN6D36FΑνάλυση 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
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.
Τα κριτήρια αναφοράς αντιστοίχισης μοντέλου δεν υπολογίζουν τον μέσο όρο αυτών των τεσσάρων διαγνωστικών βαθμολογιών στην ταυτότητα του μοντέλου. Η βαθμολογία του τίτλου Model Match προέρχεται από τη ρουμπρίκα ταυτότητας κριτών. Η αντίσταση στην ψευδαίσθηση και η βαθμονόμηση ενδέχεται να παραμείνουν υψηλά ακόμη και όταν η αντιστοίχιση του μοντέλου που έχει υποβληθεί είναι πολύ χαμηλή.
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.
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
✓ σωστή ανάκληση✕ λάθος ανάκληση~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
24UNKNOWN
0σωστή ανάκληση
0λάθος ανάκληση
Χρονική σύγκριση
UNKNOWNΣύγκριση αποκοπής γνώσης
Αποκοπή αναφοράς2026-05OFFICIAL_WEB · 99%
Τελευταία υποστηριζόμενη ανάκληση—0 κατάλληλες απαντήσεις ανάκλησης
Παρατηρημένο όριοΑνεπαρκή στοιχεία ανάκλησηςINSUFFICIENT_RECALL_EVIDENCE
Ευθυγράμμιση αποκοπήςUNKNOWN0% βεβαιότητα
Σημειώσεις αξιολογητή
- 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.
Πηγές αναφοράς-αποκοπής
Σημασιολογικός: σωστό 0 · λάθος 0 · άγνωστο 24. Εξαιρείται από την αποκοπή: 24.
Συμπεριφορική ταυτότητα
HIGHLY_INCONSISTENT · 98%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
- The self-reported model name and provider match the claim, but self-report is weak identity evidence.
- The response avoided fabricated factual answers.
Αρνητικά σήματα
- 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.
Επάρκεια αποδεικτικών στοιχείων: 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.
Το σκεπτικό της ταυτότητας του δικαστή
- 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.
Απόκριση δοκιμασμένου μοντέλου
Κατά λέξη εξαγόμενο μοντέλο κειμένου
Δημοσιεύτηκε από τη συμμετοχή δοκιμαστή
Αυτό είναι το ακριβές κείμενο μοντέλου που εξήχθη από την επιτυχημένη εξωτερική απόκριση API και παρέχεται στον κριτή. Οι κεφαλίδες HTTP, το εξωτερικό κλειδί API και ο πλήρης φάκελος απόκρισης παρόχου δεν αποθηκεύονται εδώ.
```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"
}
]
}
```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
Which film won Best Picture at the 98th Academy Awards?
Αναμενόμενη απάντησηOne Battle After AnotherSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K02UNKNOWNεξαιρούνται από την αποκοπή
According to Webb findings released in January 2026, where are crystalline silicates forged around a very young star?
Αναμενόμενη απάντησηIn the hot inner part of its surrounding diskSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K03UNKNOWNεξαιρούνται από την αποκοπή
Which team won Super Bowl LX?
Αναμενόμενη απάντησηSeattle SeahawksSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K04UNKNOWNεξαιρούνται από την αποκοπή
What regulatory decision did the FDA announce for the Tregzi cellular immunotherapy?
Αναμενόμενη απάντησηIt approved TregziSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K05UNKNOWNεξαιρούνται από την αποκοπή
Who won the 2026 Wimbledon men's singles title?
Αναμενόμενη απάντησηJannik SinnerSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K06UNKNOWNεξαιρούνται από την αποκοπή
Who won the 2025 Tour Championship and FedExCup?
Αναμενόμενη απάντησηTommy FleetwoodSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K07UNKNOWNεξαιρούνται από την αποκοπή
Which performer won the 2026 Eurovision Song Contest?
Αναμενόμενη απάντησηDARASource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K08UNKNOWNεξαιρούνται από την αποκοπή
Which team won the 2025 NBA Finals?
Αναμενόμενη απάντησηOklahoma City ThunderSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K09UNKNOWNεξαιρούνται από την αποκοπή
Which country won the 2026 World Baseball Classic?
Αναμενόμενη απάντησηVenezuelaSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K10UNKNOWNεξαιρούνται από την αποκοπή
Which team won the 2026 NBA Finals?
Αναμενόμενη απάντησηNew York KnicksSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K11UNKNOWNεξαιρούνται από την αποκοπή
Who won New York City's 2025 mayoral election?
Αναμενόμενη απάντησηZohran MamdaniSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K12UNKNOWNεξαιρούνται από την αποκοπή
Who won the 2026 Australian Open women's singles title?
Αναμενόμενη απάντησηElena RybakinaSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K13UNKNOWNεξαιρούνται από την αποκοπή
Which club won the 2026 UEFA Super Cup?
Αναμενόμενη απάντησηParis Saint-GermainSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K14UNKNOWNεξαιρούνται από την αποκοπή
What mishap classification did NASA assign to Boeing Starliner's Crewed Flight Test?
Αναμενόμενη απάντησηType A mishapSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K15UNKNOWNεξαιρούνται από την αποκοπή
Which country won the 2026 FIFA World Cup?
Αναμενόμενη απάντησηSpainSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K16UNKNOWNεξαιρούνται από την αποκοπή
Which club won the 2026 UEFA Champions League final?
Αναμενόμενη απάντησηParis Saint-GermainSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K17UNKNOWNεξαιρούνται από την αποκοπή
Which country won the 2026 Little League Baseball World Series?
Αναμενόμενη απάντησηCuraçaoSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K18UNKNOWNεξαιρούνται από την αποκοπή
Which school won the 2026 NCAA Division I men's basketball championship?
Αναμενόμενη απάντησηMichiganSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K19UNKNOWNεξαιρούνται από την αποκοπή
Who won the 2026 Masters Tournament?
Αναμενόμενη απάντησηRory McIlroySource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K20UNKNOWNεξαιρούνται από την αποκοπή
Who received the 2025 Nobel Peace Prize?
Αναμενόμενη απάντησηMaría Corina MachadoSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K21UNKNOWNεξαιρούνται από την αποκοπή
Who clinched the 2025 Formula One World Drivers' Championship?
Αναμενόμενη απάντησηLando NorrisSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K22UNKNOWNεξαιρούνται από την αποκοπή
In the Google search-antitrust remedies ruling, which browser did the judge decline to force Google to sell?
Αναμενόμενη απάντησηChromeSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K23UNKNOWNεξαιρούνται από την αποκοπή
Which performer won the 2025 Eurovision Song Contest?
Αναμενόμενη απάντησηJJSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
?K24UNKNOWNεξαιρούνται από την αποκοπή
Who won the 2025 Wimbledon gentlemen's singles title?
Αναμενόμενη απάντησηJannik SinnerSource ↗
Απάντηση δοκιμασμένου μοντέλουUNKNOWN0% · UNKNOWN
Πόρισμα αξιολογητή: UNKNOWNΑναφέρθηκε εμπιστοσύνη: 0%
Σημείωση αξιολογητή: Explicit abstention.
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
V8Y3ZFEZK23179GX0M3MN6D36FΣημείο αναφοράς
model-verification-single-request-v1.5Μοντέλο αξιολόγησης
gpt-5.6-solΖητήθηκε πρωτόκολλο
openai_chatΕντοπίστηκε σχήμα απόκρισης
anthropic_messagesΣυμβατότητα πρωτοκόλλου
ΑΝΤΙΣΤΟΙΧΙΑ · ανακτήθηκεΈξοδος μοντέλου
Not recordedTokens εισόδου
Not recordedTokens εξόδου
Not recordedΛόγος ολοκλήρωσης
Not recordedΚατάσταση HTTP
200Εξωτερική καθυστέρηση
19,443 msbyte απόκρισης
3,656SHA-256
2989988b859c9bb90c50291bd34b6ed7423cf3b8c28c3d3915f4f245e99aaaebΣημαντικός περιορισμός
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.
Εκτελέστε μια ανεξάρτητη επαλήθευση
Δοκιμάστε μόνοι σας το ίδιο τελικό σημείο ή περιηγηθείτε σε άλλες δημόσιες αναφορές προτού βασιστείτε σε μια διαφημιζόμενη ταυτότητα μοντέλου.