Javno izvješće o provjeri modela umjetne inteligencije
claude-opus-5
https://madclaude.cloud/v1/messages
Rezultat podudaranja modela8/100
HIGHLY_INCONSISTENT98% procjena povjerenje
Dokaz: SUFFICIENTStalni izvještaj
https://model-gate.com/hr/model-verification/results/V8Y3ZFEZK23179GX0M3MN6D36FAnaliza 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
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.
Referentne vrijednosti podudaranja modela ne uračunavaju prosjek ova četiri dijagnostička rezultata u identitet modela. Naslov Model Match rezultat dolazi iz rubrike o identitetu suca; Otpornost na halucinacije i kalibracija mogu ostati visoki čak i kada je podudaranje navedenog modela vrlo nisko.
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.
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
✓ ispravan OPOZIV✕ krivo OPOZIV~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
24UNKNOWN
0ispravan OPOZIV
0krivo OPOZIV
Vremenska usporedba
UNKNOWNUsporedba graničnih vrijednosti znanja
Referentna granica2026-05OFFICIAL_WEB · 99%
Najnoviji podržani RECALL—0 prihvatljivi odgovori OPOZIV
Promatrana granicaNedovoljni dokazi za PRISJEĆANJEINSUFFICIENT_RECALL_EVIDENCE
Poravnanje rezaUNKNOWN0% pouzdanost
Bilješke ocjenjivača
- 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.
Referentni granični izvori
Semantički: točno 0 · netočno 0 · nepoznato 24. Isključeno iz granične vrijednosti: 24.
Bihevioralni identitet
HIGHLY_INCONSISTENT · 98%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
- The self-reported model name and provider match the claim, but self-report is weak identity evidence.
- The response avoided fabricated factual answers.
Negativni signali
- 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.
Dostatnost dokaza: 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.
Obrazloženje identiteta suca
- 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.
Odziv testiranog modela
Doslovno izdvojeni tekst modela
Objavio tester opt-in
Ovo je točan tekst modela izdvojen iz uspješnog odgovora vanjskog API-ja i dostavljen sucu. HTTP zaglavlja, vanjski ključ API-ja i potpuna omotnica odgovora pružatelja nisu pohranjeni ovdje.
```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"
}
]
}
```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
Which film won Best Picture at the 98th Academy Awards?
Očekivani odgovorOne Battle After AnotherSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K02UNKNOWNisključeno iz prekida
According to Webb findings released in January 2026, where are crystalline silicates forged around a very young star?
Očekivani odgovorIn the hot inner part of its surrounding diskSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K03UNKNOWNisključeno iz prekida
Which team won Super Bowl LX?
Očekivani odgovorSeattle SeahawksSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K04UNKNOWNisključeno iz prekida
What regulatory decision did the FDA announce for the Tregzi cellular immunotherapy?
Očekivani odgovorIt approved TregziSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K05UNKNOWNisključeno iz prekida
Who won the 2026 Wimbledon men's singles title?
Očekivani odgovorJannik SinnerSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K06UNKNOWNisključeno iz prekida
Who won the 2025 Tour Championship and FedExCup?
Očekivani odgovorTommy FleetwoodSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K07UNKNOWNisključeno iz prekida
Which performer won the 2026 Eurovision Song Contest?
Očekivani odgovorDARASource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K08UNKNOWNisključeno iz prekida
Which team won the 2025 NBA Finals?
Očekivani odgovorOklahoma City ThunderSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K09UNKNOWNisključeno iz prekida
Which country won the 2026 World Baseball Classic?
Očekivani odgovorVenezuelaSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K10UNKNOWNisključeno iz prekida
Which team won the 2026 NBA Finals?
Očekivani odgovorNew York KnicksSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K11UNKNOWNisključeno iz prekida
Who won New York City's 2025 mayoral election?
Očekivani odgovorZohran MamdaniSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K12UNKNOWNisključeno iz prekida
Who won the 2026 Australian Open women's singles title?
Očekivani odgovorElena RybakinaSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K13UNKNOWNisključeno iz prekida
Which club won the 2026 UEFA Super Cup?
Očekivani odgovorParis Saint-GermainSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K14UNKNOWNisključeno iz prekida
What mishap classification did NASA assign to Boeing Starliner's Crewed Flight Test?
Očekivani odgovorType A mishapSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K15UNKNOWNisključeno iz prekida
Which country won the 2026 FIFA World Cup?
Očekivani odgovorSpainSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K16UNKNOWNisključeno iz prekida
Which club won the 2026 UEFA Champions League final?
Očekivani odgovorParis Saint-GermainSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K17UNKNOWNisključeno iz prekida
Which country won the 2026 Little League Baseball World Series?
Očekivani odgovorCuraçaoSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K18UNKNOWNisključeno iz prekida
Which school won the 2026 NCAA Division I men's basketball championship?
Očekivani odgovorMichiganSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K19UNKNOWNisključeno iz prekida
Who won the 2026 Masters Tournament?
Očekivani odgovorRory McIlroySource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K20UNKNOWNisključeno iz prekida
Who received the 2025 Nobel Peace Prize?
Očekivani odgovorMaría Corina MachadoSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K21UNKNOWNisključeno iz prekida
Who clinched the 2025 Formula One World Drivers' Championship?
Očekivani odgovorLando NorrisSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K22UNKNOWNisključeno iz prekida
In the Google search-antitrust remedies ruling, which browser did the judge decline to force Google to sell?
Očekivani odgovorChromeSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K23UNKNOWNisključeno iz prekida
Which performer won the 2025 Eurovision Song Contest?
Očekivani odgovorJJSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
?K24UNKNOWNisključeno iz prekida
Who won the 2025 Wimbledon gentlemen's singles title?
Očekivani odgovorJannik SinnerSource ↗
Odgovor provjerenog modelaUNKNOWN0% · UNKNOWN
Zaključak ocjenjivača: UNKNOWNPrijavljeno povjerenje: 0%
Bilješka ocjenjivača: Explicit abstention.
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
V8Y3ZFEZK23179GX0M3MN6D36FBenchmark
model-verification-single-request-v1.5Model za ocjenjivanje
gpt-5.6-solTraženi protokol
openai_chatOtkrivena shema odgovora
anthropic_messagesKompatibilnost protokola
MISMATCH · oporavljenIzlaz modela
Not recordedUlazni tokeni
Not recordedIzlazni tokeni
Not recordedRazlog završetka
Not recordedHTTP status
200Vanjska latencija
19,443 msBajtovi odgovora
3,656SHA-256
2989988b859c9bb90c50291bd34b6ed7423cf3b8c28c3d3915f4f245e99aaaebVažno ograničenje
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.
Pokrenite neovisnu provjeru
Testirajte sami istu krajnju točku ili pregledajte druga javna izvješća prije nego što se oslonite na oglašeni identitet modela.