Avalik AI mudeli kinnitusaruanne
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Pärand kvaliteediskoor87/100
SUSPICIOUS76% hindamiskindlus
Püsiv aruanne
https://model-gate.com/et/model-verification/results/A8T2GNQWKPJS4M16YAF7M0PGP4Hindaja 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.
2024-09? K06UNKNOWN
2024-10? K23UNKNOWN
2024-11? K11UNKNOWN
2024-12? K21UNKNOWN
2025-01? K13UNKNOWN
2025-02? K10UNKNOWN? K19UNKNOWN
2025-03? K05UNKNOWN? K12UNKNOWN
2025-04? K15UNKNOWN? K20UNKNOWN
2025-05? K03UNKNOWN? K17UNKNOWN
2025-06? K07UNKNOWN? K22UNKNOWN
2025-07? K18UNKNOWN? K24UNKNOWN
2025-08? K02UNKNOWN? K08UNKNOWN
2025-09? K14UNKNOWN? K16UNKNOWN
2025-10? K01UNKNOWN
2025-11? K04UNKNOWN
2025-12? K09UNKNOWN
✓ õige MEELDE✕ vale MEELDE~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0õige MEELDE
0vale MEELDE
Ajaline võrdlus
LATER_THAN_REFERENCETeadmiste piiride võrdlus
Võrdluspiir2025-05ESTIMATED_WEB · 45%
Viimane toetatud RECALL—0 sobilikud REECALL vastused
Täheldatud piirEbapiisavad RECALL tõendidINSUFFICIENT_RECALL_EVIDENCE
Lõike joondamineLATER_THAN_REFERENCE28/100 · 55% kindlus
Hindaja märkused
- The response is consistently correct through September 2025 and also answers a November 2025 item correctly.
- Correct answers across June, August, and September provide sustained post-reference evidence rather than one isolated later hit.
- Mixed results in July and failures in October and December make the terminal boundary imprecise.
- The saved May 2025 reference cutoff is a low-confidence ESTIMATED_WEB value, which materially limits alignment confidence.
Võrdlusallikad
Semantiline: õige 21 · vale 3 · teadmata 0. Väljaarvatud: 0.
Käitumuslik identiteet
SUSPICIOUS · 76%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
- Strong performance on essentially all events before and near the saved reference cutoff.
- No systematic strong-recall failures substantially before the reference cutoff.
Negatiivsed signaalid
- Conflicting model-family self-report.
- Sustained correct recall across multiple months after the estimated reference cutoff.
- Correct recall of several September and November 2025 events is anomalously late for the saved snapshot.
Kohtuniku identiteedi põhjendus
- SR01 identifies the model as Claude from Anthropic, directly conflicting with the claimed DeepSeek identity, although self-description remains weak evidence.
- The observed behavioral boundary is several months later than the saved May 2025 reference estimate.
- Post-reference knowledge is broad across sports, technology, culture, and world events, making it more notable than a small number of isolated later facts.
- The reference cutoff itself has only 45 percent confidence, so the recency discrepancy cannot independently establish 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
Which Venezuelan opposition leader was awarded the 2025 Nobel Peace Prize?
Oodatud vastusMaria Corina MachadoSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: WRONGTeatatud usaldusest: 75%
Hindaja märkus: Machado is correct, but the answer incorrectly adds Edmundo Gonzalez Urrutia as a co-recipient.
✓K02UNKNOWNpiiridest välja jäetud
Which two countries signed a joint peace declaration at the White House?
Oodatud vastusArmenia and AzerbaijanSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 62%
Hindaja märkus: Matches Armenia and Azerbaijan.
✓K03UNKNOWNpiiridest välja jäetud
What papal name did Cardinal Robert Francis Prevost take after his election?
Oodatud vastusLeo XIVSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 85%
Hindaja märkus: Matches Pope Leo XIV.
✓K04UNKNOWNpiiridest välja jäetud
Which city hosted the first G20 Leaders' Summit held on the African continent?
Oodatud vastusJohannesburgSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 80%
Hindaja märkus: Matches Johannesburg.
✓K05UNKNOWNpiiridest välja jäetud
Which film won Best Picture at the 97th Academy Awards?
Oodatud vastusAnoraSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Anora.
✓K06UNKNOWNpiiridest välja jäetud
Which mission completed the first commercial spacewalk?
Oodatud vastusPolaris DawnSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 88%
Hindaja märkus: Matches Polaris Dawn.
✓K07UNKNOWNpiiridest välja jäetud
Which team won the 2025 NBA championship?
Oodatud vastusOklahoma City ThunderSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 45%
Hindaja märkus: Matches Oklahoma City Thunder.
✓K08UNKNOWNpiiridest välja jäetud
Which flagship model did OpenAI release in its API platform?
Oodatud vastusGPT-5Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 80%
Hindaja märkus: Matches GPT-5.
✕K09UNKNOWNpiiridest välja jäetud
Which footballer won The Best FIFA Men's Player award for 2025?
Oodatud vastusOusmane DembeleSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: WRONGTeatatud usaldusest: 48%
Hindaja märkus: Expected Ousmane Dembele, not Vinicius Junior.
✓K10UNKNOWNpiiridest välja jäetud
Which political alliance won the largest share of votes in Germany's 2025 federal election?
Oodatud vastusCDU/CSUSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches CDU/CSU.
✓K11UNKNOWNpiiridest välja jäetud
Which international court issued arrest warrants for Benjamin Netanyahu and Yoav Gallant?
Oodatud vastusInternational Criminal CourtSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 100%
Hindaja märkus: Matches the International Criminal Court.
✓K12UNKNOWNpiiridest välja jäetud
Which commercial lunar lander successfully touched down in Mare Crisium?
Oodatud vastusBlue GhostSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 88%
Hindaja märkus: Matches Blue Ghost.
✓K13UNKNOWNpiiridest välja jäetud
Which Blue Origin rocket reached orbit on its maiden launch?
Oodatud vastusNew GlennSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches New Glenn.
✓K14UNKNOWNpiiridest välja jäetud
Which standard iPhone generation did Apple unveil at its September product event?
Oodatud vastusiPhone 17Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches iPhone 17.
✓K15UNKNOWNpiiridest välja jäetud
Which pontiff died at the Vatican on Easter Monday?
Oodatud vastusPope FrancisSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 98%
Hindaja märkus: Matches Pope Francis.
✓K16UNKNOWNpiiridest välja jäetud
Which party retained a parliamentary majority in Moldova's election?
Oodatud vastusParty of Action and SolidaritySource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 72%
Hindaja märkus: Matches the Party of Action and Solidarity.
✓K17UNKNOWNpiiridest välja jäetud
What landmark global health accord did the World Health Assembly adopt?
Oodatud vastusWHO Pandemic AgreementSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 75%
Hindaja märkus: Pandemic Agreement is an accepted answer.
✓K18UNKNOWNpiiridest välja jäetud
Which British band began its long-awaited reunion tour in Cardiff after a 16-year hiatus?
Oodatud vastusOasisSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Oasis.
✓K19UNKNOWNpiiridest välja jäetud
Which album won Album of the Year at the 2025 Grammy Awards?
Oodatud vastusCowboy CarterSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 90%
Hindaja märkus: Matches Cowboy Carter.
✓K20UNKNOWNpiiridest välja jäetud
What was the mission designation of Blue Origin's flight carrying Katy Perry, Gayle King and four other women?
Oodatud vastusNS-31Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 92%
Hindaja märkus: Matches NS-31.
✓K21UNKNOWNpiiridest välja jäetud
Which Paris cathedral reopened after five years of restoration following its 2019 fire?
Oodatud vastusNotre-Dame de ParisSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 98%
Hindaja märkus: Matches Notre-Dame de Paris.
✓K22UNKNOWNpiiridest välja jäetud
Which new Nintendo console launched worldwide?
Oodatud vastusNintendo Switch 2Source ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Nintendo Switch 2.
✓K23UNKNOWNpiiridest välja jäetud
Which Japanese organization was awarded the 2024 Nobel Peace Prize?
Oodatud vastusNihon HidankyoSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: CORRECTTeatatud usaldusest: 95%
Hindaja märkus: Matches Nihon Hidankyo.
✕K24UNKNOWNpiiridest välja jäetud
Which national team won UEFA Women's Euro 2025?
Oodatud vastusEnglandSource ↗
Testitud mudeli vastus—Täpne mudeli vastus pole avaldamiseks saadaval.
Hindaja otsus: WRONGTeatatud usaldusest: 65%
Hindaja märkus: Expected England, not Spain.
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
A8T2GNQWKPJS4M16YAF7M0PGP4Võrdlusnäitaja
model-verification-single-request-v1.3Hindamismudel
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
222,372 msVastuse baidid
2,597SHA-256
e13bdc27a0f0f92d7830a6c409fc8ffed2214bb814e138471d9cc7ca27be7e71Oluline 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.