Javno izvješće o provjeri modela umjetne inteligencije
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Naslijeđena ocjena kvalitete87/100
CONSISTENT82% procjena povjerenje
Stalni izvještaj
https://model-gate.com/hr/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YAnaliza ocjenjivača
Zašto je ova provjera dobila svoj rezultat
Javno izvješće odražava analitičke dokaze prikazane testeru nakon /chat/verify. Ocjene sudaca su procjene rubrika; samo izričiti točni ili pogrešni odgovori RECALL mogu utjecati na granicu čistog prisjećanja.
Dijagnostika ponašanja
4 dijagnostikaObrazloženje suca za bodovanje
Za ovaj arhivirani rezultat nije zadržano zasebno sučevo obrazloženje.
Za ovaj arhivirani rezultat nije zadržano zasebno sučevo obrazloženje.
Za ovaj arhivirani rezultat nije zadržano zasebno sučevo obrazloženje.
Za ovaj arhivirani rezultat nije zadržano zasebno sučevo obrazloženje.
Povijesna usporedna bilješka: ovaj arhivirani ukupni rezultat v1.4 koristio je prijašnju fiksnu dijagnostičku agregaciju. Zadržava se radi ponovljivosti i ne smije se tumačiti kao rezultat podudaranja modela v1.5.
Vremenski dokaz
0 POZIV sondiVremenska linija čistog prisjećanja
Stvarni skup pitanja je promiješan prije zahtjeva testiranog modela. Slotovi za generaciju koji nedostaju nisu uzdržavanje modela. Vremenski slijed rekonstruira njihove ciljane mjesece za reviziju. Samo eksplicitni RECALL odgovori su granični dokaz; ZAKLJUČIVANJE, NAGAĐANJE i NEPOZNATO ostaju vidljivi ali ne pomiču granicu.
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
✓ ispravan OPOZIV✕ krivo OPOZIV~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0ispravan OPOZIV
0krivo OPOZIV
Vremenska usporedba
CONSISTENTUsporedba graničnih vrijednosti znanja
Referentna granica2025-05ESTIMATED_WEB · 0%
Najnoviji podržani RECALL—0 prihvatljivi odgovori OPOZIV
Promatrana granicaNedovoljni dokazi za PRISJEĆANJEINSUFFICIENT_RECALL_EVIDENCE
Poravnanje rezaCONSISTENT88/100 · 80% pouzdanost
Bilješke ocjenjivača
- 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.
Referentni granični izvori
Semantički: točno 20 · netočno 4 · nepoznato 0. Isključeno iz granične vrijednosti: 0.
Bihevioralni identitet
CONSISTENT · 82%Signali identiteta
Identitet se zaključuje iz dosljednosti između navedenog modela i promatranog profila znanja/odgovora. To je dokaz, a ne daljinska potvrda ili kriptografski dokaz težine posluživanja.
Pozitivni signali
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Negativni signali
- 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.
Obrazloženje identiteta suca
- 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.
Odziv testiranog modela
Doslovno izdvojeni tekst modela
Objavljena procjena
Dostupni su izazov, ključ odgovora i normalizirana procjena suca. Točan tekst testiranog modela nije dostupan za objavljivanje osim ako nije zadržan uz prijavu testera. Objavljivanje procjene ne stvara taj pristanak niti vraća odbačeni tekst.
Kompletan popis referentnih vrijednosti
Dokazi od pitanja do pitanja
Sva dopuštena pitanja prikazana su s očekivanim odgovorom, dostupnim izvorom, osnovom testiranog modela, semantičkom prosudbom i prihvatljivošću ograničenja. Neocjenjena pitanja nisu model suzdržavanja. Točna POGODBA ili ZAKLJUČAK ostaju ispravni semantički, ali se isključuju iz dokaza prekida čistog prisjećanja.
✕K01UNKNOWNisključeno iz prekida
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Očekivani odgovorOblique SevilleSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: WRONGPrijavljeno povjerenje: 75%
Bilješka ocjenjivača: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNisključeno iz prekida
Which team won the UEFA Women's Euro 2025 final?
Očekivani odgovorEnglandSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: WRONGPrijavljeno povjerenje: 85%
Bilješka ocjenjivača: Expected England; answered Spain.
✓K03UNKNOWNisključeno iz prekida
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Očekivani odgovormpoxSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches mpox.
✓K04UNKNOWNisključeno iz prekida
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Očekivani odgovorAlphaFold 3Source ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches AlphaFold 3.
✓K05UNKNOWNisključeno iz prekida
What model did OpenAI release as a unified system with built-in thinking?
Očekivani odgovorGPT-5Source ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 90%
Bilješka ocjenjivača: Matches GPT-5.
✓K06UNKNOWNisključeno iz prekida
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Očekivani odgovorWindowsSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Microsoft Windows is accepted.
✕K07UNKNOWNisključeno iz prekida
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Očekivani odgovorOdysseusSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: WRONGPrijavljeno povjerenje: 80%
Bilješka ocjenjivača: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNisključeno iz prekida
What was the name of Japan's lunar lander that successfully reached the Moon?
Očekivani odgovorSLIMSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches SLIM.
✓K09UNKNOWNisključeno iz prekida
Who became the first private astronaut to perform a spacewalk?
Očekivani odgovorJared IsaacmanSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches Jared Isaacman.
✓K10UNKNOWNisključeno iz prekida
Which country was appointed host of the 2034 FIFA World Cup?
Očekivani odgovorSaudi ArabiaSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches Saudi Arabia.
✓K11UNKNOWNisključeno iz prekida
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Očekivani odgovorMare CrisiumSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 90%
Bilješka ocjenjivača: Matches Mare Crisium.
✓K12UNKNOWNisključeno iz prekida
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Očekivani odgovorDeepSeek-R1Source ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches DeepSeek-R1.
✓K13UNKNOWNisključeno iz prekida
What was the name of the second malaria vaccine prequalified by WHO?
Očekivani odgovorR21/Matrix-MSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 90%
Bilješka ocjenjivača: Matches R21/Matrix-M.
✓K14UNKNOWNisključeno iz prekida
Which album won Album of the Year at the 67th Grammy Awards?
Očekivani odgovorCowboy CarterSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches Cowboy Carter.
✓K15UNKNOWNisključeno iz prekida
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Očekivani odgovor523Source ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 85%
Bilješka ocjenjivača: Matches 523.
✓K16UNKNOWNisključeno iz prekida
How many grams of lunar material did the Chang'e-6 mission collect?
Očekivani odgovor1,935.3 gramsSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 90%
Bilješka ocjenjivača: Matches 1,935.3 grams.
✓K17UNKNOWNisključeno iz prekida
Which rocket launched NASA's Europa Clipper spacecraft?
Očekivani odgovorFalcon HeavySource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches Falcon Heavy.
✓K18UNKNOWNisključeno iz prekida
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Očekivani odgovorGaia BH3Source ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 90%
Bilješka ocjenjivača: Matches Gaia BH3.
✕K19UNKNOWNisključeno iz prekida
Who was awarded the 2025 Nobel Peace Prize?
Očekivani odgovorMaria Corina MachadoSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: WRONGPrijavljeno povjerenje: 70%
Bilješka ocjenjivača: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNisključeno iz prekida
What annual climate-finance goal for developing countries did COP29 set for 2035?
Očekivani odgovorUS$300 billion per yearSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 90%
Bilješka ocjenjivača: Matches $300 billion per year.
✓K21UNKNOWNisključeno iz prekida
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Očekivani odgovorFram2Source ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 90%
Bilješka ocjenjivača: Matches Fram2.
✓K22UNKNOWNisključeno iz prekida
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Očekivani odgovorArticle 19Source ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 75%
Bilješka ocjenjivača: Matches Article 19.
✓K23UNKNOWNisključeno iz prekida
Which new Mario Kart game launched alongside Nintendo Switch 2?
Očekivani odgovorMario Kart WorldSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches Mario Kart World.
✓K24UNKNOWNisključeno iz prekida
What model did OpenAI introduce with a 128K context window at its first DevDay?
Očekivani odgovorGPT-4 TurboSource ↗
Odgovor provjerenog modela—Točan odgovor modela nije dostupan za objavu.
Zaključak ocjenjivača: CORRECTPrijavljeno povjerenje: 95%
Bilješka ocjenjivača: Matches GPT-4 Turbo.
Pokrivenost pitanja i bilješke istraživanja
Činjenična pitanja: 24 · Nije ocijenjeno od strane suca: 0
Odsječak referenci i citate daje sudac, a platforma ih ne potvrđuje neovisno. Bilješke istraživanja ne kažnjavaju testirani model.
Pokreni metapodatke
Pojedinosti o ponovljivosti
ID izvođenja
0B0HVDB2FRJEJC90BRG4D7JV1YBenchmark
model-verification-single-request-v1.2Model za ocjenjivanje
gpt-5.6-solTraženi protokol
openai_chatOtkrivena shema odgovora
Legacy / not recordedKompatibilnost protokola
ŠIBICA / ostavštinaIzlaz modela
Not recordedUlazni tokeni
Not recordedIzlazni tokeni
Not recordedRazlog završetka
Not recordedHTTP status
200Vanjska latencija
88,304 msBajtovi odgovora
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dVažno ograničenje
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.
Pokrenite neovisnu provjeru
Testirajte sami istu krajnju točku ili pregledajte druga javna izvješća prije nego što se oslonite na oglašeni identitet modela.