Avalik AI mudeli kinnitusaruanne
claude-opus-5
https://madclaude.cloud/v1/messages
Model Match skoor8/100
HIGHLY_INCONSISTENT98% hindamiskindlus
Tõendid: SUFFICIENTPüsiv aruanne
https://model-gate.com/et/model-verification/results/V8Y3ZFEZK23179GX0M3MN6D36FHindaja 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
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.
Mudeli sobivuse võrdlusnäitajad ei anna nende nelja diagnostilise skoori mudeli identiteediks keskmist. Pealkiri Model Match skoor pärineb kohtuniku identiteedi rubriigist; Hallutsinatsiooniresistentsus ja kalibreerimine võivad jääda kõrgeks isegi siis, kui väidetava mudeli vaste on väga madal.
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.
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
✓ õige MEELDE✕ vale MEELDE~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
24UNKNOWN
0õige MEELDE
0vale MEELDE
Ajaline võrdlus
UNKNOWNTeadmiste piiride võrdlus
Võrdluspiir2026-05OFFICIAL_WEB · 99%
Viimane toetatud RECALL—0 sobilikud REECALL vastused
Täheldatud piirEbapiisavad RECALL tõendidINSUFFICIENT_RECALL_EVIDENCE
Lõike joondamineUNKNOWN0% kindlus
Hindaja märkused
- 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.
Võrdlusallikad
Semantiline: õige 0 · vale 0 · teadmata 24. Väljaarvatud: 24.
Käitumuslik identiteet
HIGHLY_INCONSISTENT · 98%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
- The self-reported model name and provider match the claim, but self-report is weak identity evidence.
- The response avoided fabricated factual answers.
Negatiivsed signaalid
- 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.
Tõendite piisavus: 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.
Kohtuniku identiteedi põhjendus
- 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.
Testitud mudeli vastus
Sõnasõnaliselt ekstraheeritud mudelitekst
Avaldatud testija nõusolekul
See on täpne mudeltekst, mis on eraldatud edukast välisest API vastusest ja edastatud kohtunikule. Siin ei salvestata HTTP-päiseid, välist API-võtit ja kogu pakkuja vastuse ümbrikut.
```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"
}
]
}
```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 film won Best Picture at the 98th Academy Awards?
Oodatud vastusOne Battle After AnotherSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K02UNKNOWNpiiridest välja jäetud
According to Webb findings released in January 2026, where are crystalline silicates forged around a very young star?
Oodatud vastusIn the hot inner part of its surrounding diskSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K03UNKNOWNpiiridest välja jäetud
Which team won Super Bowl LX?
Oodatud vastusSeattle SeahawksSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K04UNKNOWNpiiridest välja jäetud
What regulatory decision did the FDA announce for the Tregzi cellular immunotherapy?
Oodatud vastusIt approved TregziSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K05UNKNOWNpiiridest välja jäetud
Who won the 2026 Wimbledon men's singles title?
Oodatud vastusJannik SinnerSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K06UNKNOWNpiiridest välja jäetud
Who won the 2025 Tour Championship and FedExCup?
Oodatud vastusTommy FleetwoodSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K07UNKNOWNpiiridest välja jäetud
Which performer won the 2026 Eurovision Song Contest?
Oodatud vastusDARASource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K08UNKNOWNpiiridest välja jäetud
Which team won the 2025 NBA Finals?
Oodatud vastusOklahoma City ThunderSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K09UNKNOWNpiiridest välja jäetud
Which country won the 2026 World Baseball Classic?
Oodatud vastusVenezuelaSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K10UNKNOWNpiiridest välja jäetud
Which team won the 2026 NBA Finals?
Oodatud vastusNew York KnicksSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K11UNKNOWNpiiridest välja jäetud
Who won New York City's 2025 mayoral election?
Oodatud vastusZohran MamdaniSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K12UNKNOWNpiiridest välja jäetud
Who won the 2026 Australian Open women's singles title?
Oodatud vastusElena RybakinaSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K13UNKNOWNpiiridest välja jäetud
Which club won the 2026 UEFA Super Cup?
Oodatud vastusParis Saint-GermainSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K14UNKNOWNpiiridest välja jäetud
What mishap classification did NASA assign to Boeing Starliner's Crewed Flight Test?
Oodatud vastusType A mishapSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K15UNKNOWNpiiridest välja jäetud
Which country won the 2026 FIFA World Cup?
Oodatud vastusSpainSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K16UNKNOWNpiiridest välja jäetud
Which club won the 2026 UEFA Champions League final?
Oodatud vastusParis Saint-GermainSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K17UNKNOWNpiiridest välja jäetud
Which country won the 2026 Little League Baseball World Series?
Oodatud vastusCuraçaoSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K18UNKNOWNpiiridest välja jäetud
Which school won the 2026 NCAA Division I men's basketball championship?
Oodatud vastusMichiganSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K19UNKNOWNpiiridest välja jäetud
Who won the 2026 Masters Tournament?
Oodatud vastusRory McIlroySource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K20UNKNOWNpiiridest välja jäetud
Who received the 2025 Nobel Peace Prize?
Oodatud vastusMaría Corina MachadoSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K21UNKNOWNpiiridest välja jäetud
Who clinched the 2025 Formula One World Drivers' Championship?
Oodatud vastusLando NorrisSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K22UNKNOWNpiiridest välja jäetud
In the Google search-antitrust remedies ruling, which browser did the judge decline to force Google to sell?
Oodatud vastusChromeSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K23UNKNOWNpiiridest välja jäetud
Which performer won the 2025 Eurovision Song Contest?
Oodatud vastusJJSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
?K24UNKNOWNpiiridest välja jäetud
Who won the 2025 Wimbledon gentlemen's singles title?
Oodatud vastusJannik SinnerSource ↗
Testitud mudeli vastusUNKNOWN0% · UNKNOWN
Hindaja otsus: UNKNOWNTeatatud usaldusest: 0%
Hindaja märkus: Explicit abstention.
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
V8Y3ZFEZK23179GX0M3MN6D36FVõrdlusnäitaja
model-verification-single-request-v1.5Hindamismudel
gpt-5.6-solNõutud protokoll
openai_chatTuvastatud vastuseskeem
anthropic_messagesProtokolli ühilduvus
MISMATCH · taastunudMudeli väljund
Not recordedSisendtokenid
Not recordedVäljundtokenid
Not recordedLõpetamise põhjus
Not recordedHTTP olek
200Väline latentsusaeg
19,443 msVastuse baidid
3,656SHA-256
2989988b859c9bb90c50291bd34b6ed7423cf3b8c28c3d3915f4f245e99aaaebOluline piirang
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.
Käivitage sõltumatu kinnitus
Testige sama lõpp-punkti ise või sirvige teisi avalikke aruandeid, enne kui tuginete reklaamitud mudeliidentiteedile.