Avalik AI mudeli kinnitusaruanne
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Pärand kvaliteediskoor87/100
CONSISTENT82% hindamiskindlus
Püsiv aruanne
https://model-gate.com/et/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YHindaja analüüs
Miks see kontroll oma tulemuse sai?
Avalik aruanne peegeldab analüütilisi tõendeid, mis kuvatakse testijale pärast funktsiooni /chat/verify. Kohtuniku hinded on rubriigi hinnangud; ainult selgesõnalised õiged või valed RECALL vastused võivad mõjutada puhta meenutamise piiri.
Käitumise diagnostika
4 diagnostikatKohtuniku punktiarvestuse põhjendus
Selle arhiveeritud tulemuse kohta eraldi kohtuniku põhjendust ei säilitatud.
Selle arhiveeritud tulemuse kohta eraldi kohtuniku põhjendust ei säilitatud.
Selle arhiveeritud tulemuse kohta eraldi kohtuniku põhjendust ei säilitatud.
Selle arhiveeritud tulemuse kohta eraldi kohtuniku põhjendust ei säilitatud.
Ajalooline võrdlusnäitaja: see arhiveeritud versiooni 1.4 üldskoor kasutas endist fikseeritud diagnostilist koondamist. Seda säilitatakse reprodutseeritavuse huvides ja seda ei tohi tõlgendada v1.5 mudelivaste skoorina.
Ajalised tõendid
0 RECALL sondidPuhas meeldetuletuse ajaskaala
Tegelik küsimuste komplekt segati enne testitud mudeli päringut. Puuduvad põlvkonna pesad ei ole mudeli erapooletuks jääjad. Ajaskaalal rekonstrueeritakse nende auditeeritavuse sihtkuud. Ainult selgesõnalised RECALL vastused on lõplikud tõendid; JÄRELDUS, ARVASTAMINE ja TUNDMATU jäävad nähtavaks, kuid ei liiguta piiri.
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
✓ õige MEELDE✕ vale MEELDE~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0õige MEELDE
0vale MEELDE
Ajaline võrdlus
CONSISTENTTeadmiste piiride võrdlus
Võrdluspiir2025-05ESTIMATED_WEB · 0%
Viimane toetatud RECALL—0 sobilikud REECALL vastused
Täheldatud piirEbapiisavad RECALL tõendidINSUFFICIENT_RECALL_EVIDENCE
Lõike joondamineCONSISTENT88/100 · 80% kindlus
Hindaja märkused
- 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.
Võrdlusallikad
Semantiline: õige 20 · vale 4 · teadmata 0. Väljaarvatud: 0.
Käitumuslik identiteet
CONSISTENT · 82%Identiteedi signaalid
Identiteet tuletatakse väidetava mudeli ja vaadeldud teadmiste/vastuste profiili vahelisest kooskõlast. See on tõend, mitte kaugtõend või krüptograafiline tõend serveerimiskaalude kohta.
Positiivsed signaalid
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Negatiivsed signaalid
- 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.
Kohtuniku identiteedi põhjendus
- 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.
Testitud mudeli vastus
Sõnasõnaliselt ekstraheeritud mudelitekst
Avaldatud hinnang
Saadaval on väljakutse, vastuse võti ja normaliseeritud kohtunike hinnang. Täpne testitud mudeli tekst pole avaldamiseks saadaval, välja arvatud juhul, kui seda säilitati testija nõusolekul. Hinnangu avaldamine ei loo seda nõusolekut ega taasta äravisatud teksti.
Täielik võrdlusaluste loend
Küsimuste kaupa tõendid
Kõik vastuvõetud küsimused kuvatakse koos eeldatava vastuse, saadaoleva allika, testitud mudeli aluse, semantilise otsuse ja piiride sobilikkusega. Hindamata küsimused ei ole näidishoidjad. Õige ARVATUS või JÄRELDUS jääb semantiliselt õigeks, kuid on välja jäetud puhta meeldetuletuse piirtõendite hulgast.
✕K01UNKNOWNpiiridest välja jäetud
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Oodatud vastusOblique SevilleSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: WRONGTeatatud usaldusest: 75%
Hindaja märkus: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNpiiridest välja jäetud
Which team won the UEFA Women's Euro 2025 final?
Oodatud vastusEnglandSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: WRONGTeatatud usaldusest: 85%
Hindaja märkus: Expected England; answered Spain.
✓K03UNKNOWNpiiridest välja jäetud
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Oodatud vastusmpoxSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches mpox.
✓K04UNKNOWNpiiridest välja jäetud
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Oodatud vastusAlphaFold 3Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches AlphaFold 3.
✓K05UNKNOWNpiiridest välja jäetud
What model did OpenAI release as a unified system with built-in thinking?
Oodatud vastusGPT-5Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches GPT-5.
✓K06UNKNOWNpiiridest välja jäetud
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Oodatud vastusWindowsSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Microsoft Windows is accepted.
✕K07UNKNOWNpiiridest välja jäetud
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Oodatud vastusOdysseusSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: WRONGTeatatud usaldusest: 80%
Hindaja märkus: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNpiiridest välja jäetud
What was the name of Japan's lunar lander that successfully reached the Moon?
Oodatud vastusSLIMSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches SLIM.
✓K09UNKNOWNpiiridest välja jäetud
Who became the first private astronaut to perform a spacewalk?
Oodatud vastusJared IsaacmanSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Jared Isaacman.
✓K10UNKNOWNpiiridest välja jäetud
Which country was appointed host of the 2034 FIFA World Cup?
Oodatud vastusSaudi ArabiaSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Saudi Arabia.
✓K11UNKNOWNpiiridest välja jäetud
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Oodatud vastusMare CrisiumSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches Mare Crisium.
✓K12UNKNOWNpiiridest välja jäetud
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Oodatud vastusDeepSeek-R1Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches DeepSeek-R1.
✓K13UNKNOWNpiiridest välja jäetud
What was the name of the second malaria vaccine prequalified by WHO?
Oodatud vastusR21/Matrix-MSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches R21/Matrix-M.
✓K14UNKNOWNpiiridest välja jäetud
Which album won Album of the Year at the 67th Grammy Awards?
Oodatud vastusCowboy CarterSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Cowboy Carter.
✓K15UNKNOWNpiiridest välja jäetud
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Oodatud vastus523Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 85%
Hindaja märkus: Matches 523.
✓K16UNKNOWNpiiridest välja jäetud
How many grams of lunar material did the Chang'e-6 mission collect?
Oodatud vastus1,935.3 gramsSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches 1,935.3 grams.
✓K17UNKNOWNpiiridest välja jäetud
Which rocket launched NASA's Europa Clipper spacecraft?
Oodatud vastusFalcon HeavySource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Falcon Heavy.
✓K18UNKNOWNpiiridest välja jäetud
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Oodatud vastusGaia BH3Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches Gaia BH3.
✕K19UNKNOWNpiiridest välja jäetud
Who was awarded the 2025 Nobel Peace Prize?
Oodatud vastusMaria Corina MachadoSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: WRONGTeatatud usaldusest: 70%
Hindaja märkus: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNpiiridest välja jäetud
What annual climate-finance goal for developing countries did COP29 set for 2035?
Oodatud vastusUS$300 billion per yearSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches $300 billion per year.
✓K21UNKNOWNpiiridest välja jäetud
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Oodatud vastusFram2Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches Fram2.
✓K22UNKNOWNpiiridest välja jäetud
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Oodatud vastusArticle 19Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 75%
Hindaja märkus: Matches Article 19.
✓K23UNKNOWNpiiridest välja jäetud
Which new Mario Kart game launched alongside Nintendo Switch 2?
Oodatud vastusMario Kart WorldSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Mario Kart World.
✓K24UNKNOWNpiiridest välja jäetud
What model did OpenAI introduce with a 128K context window at its first DevDay?
Oodatud vastusGPT-4 TurboSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches GPT-4 Turbo.
Küsimuste katvus ja uurimismärkmed
Faktilised küsimused: 24 · Ei hinda kohtunik: 0
Viitepiirangu ja tsitaadid esitab kohtunik, platvorm ei ole seda iseseisvalt kinnitanud. Uurimismärkmed ei karista testitud mudelit.
Käitage metaandmeid
Reprodutseeritavuse üksikasjad
Käivituse ID
0B0HVDB2FRJEJC90BRG4D7JV1YVõrdlusnäitaja
model-verification-single-request-v1.2Hindamismudel
gpt-5.6-solNõutud protokoll
openai_chatTuvastatud vastuseskeem
Legacy / not recordedProtokolli ühilduvus
MATCH / pärandMudeli väljund
Not recordedSisendtokenid
Not recordedVäljundtokenid
Not recordedLõpetamise põhjus
Not recordedHTTP olek
200Väline latentsusaeg
88,304 msVastuse baidid
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dOluline piirang
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.
Käivitage sõltumatu kinnitus
Testige sama lõpp-punkti ise või sirvige teisi avalikke aruandeid, enne kui tuginete reklaamitud mudeliidentiteedile.