Nyilvános AI-modell-ellenőrzési jelentés
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Legacy minőségi pontszám87/100
CONSISTENT82% értékelési bizalom
Állandó jelentés
https://model-gate.com/hu/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YBírói elemzés
Miért lett ez az ellenőrzés eredménye?
A nyilvános jelentés tükrözi a tesztelőnek a /chat/verify után megjelenő analitikai bizonyítékokat. A bírói pontszámok rubrikaértékelések; csak az explicit helyes vagy rossz RECALL válaszok befolyásolhatják a tiszta visszahívás határát.
Viselkedés diagnosztika
4 diagnosztikaA bírói pontozás indoklása
Ehhez az archivált eredményhez nem tartottak fenn külön bírói indoklást.
Ehhez az archivált eredményhez nem tartottak fenn külön bírói indoklást.
Ehhez az archivált eredményhez nem tartottak fenn külön bírói indoklást.
Ehhez az archivált eredményhez nem tartottak fenn külön bírói indoklást.
Történelmi referenciaérték: ez az archivált 1.4-es verzió általános pontszáma a korábbi rögzített diagnosztikai aggregációt használta. A reprodukálhatóság érdekében megőrizzük, és nem értelmezhető v1.5-ös modellegyezési pontszámként.
Időbeli bizonyítékok
0 RECALL szondákTiszta visszahívási idővonal
A tényleges kérdéskészletet megkeverték a tesztelt modell kérése előtt. A hiányzó generációs helyek nem modelltartózkodások. Az idővonal rekonstruálja az auditálhatóság célhónapjait. Csak az explicit RECALL válaszok jelentik a végső bizonyítékot; A KÖVETKEZTETÉS, KITALÁLÁS és az ISMERETLEN látható marad, de nem mozdítja el a határt.
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
✓ helyes EMLÉKEZÉS✕ hibás EMLÉKEZÉS~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0helyes EMLÉKEZÉS
0hibás EMLÉKEZÉS
Időbeli összehasonlítás
CONSISTENTTudáshatárok összehasonlítása
Referencia határérték2025-05ESTIMATED_WEB · 0%
Legutóbbi támogatott RECALL—0 jogosult RECALL válaszokat
Megfigyelt határNem elégséges a RECALL bizonyítékINSUFFICIENT_RECALL_EVIDENCE
Cutoff AlignmentCONSISTENT88/100 · 80% bizalom
Bíró megjegyzi
- 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.
Hivatkozási határforrások
Szemantikus: helyes 20 · rossz 4 · ismeretlen 0. Lezárásból kizárva: 0.
Viselkedési identitás
CONSISTENT · 82%Azonosító jelek
Az identitásra az állított modell és a megfigyelt tudás/válasz profil közötti összhangból lehet következtetni. Ez bizonyíték, nem távoli tanúsítvány vagy kriptográfiai bizonyíték az adagsúlyokról.
Pozitív jelek
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Negatív jelek
- 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.
A bírói identitás indoklása
- 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.
Tesztelt modell válasz
Szó szerint kivont modellszöveg
Archivált összefoglaló
Ez a futtatás a teljes jelentés megtartását megelőzően történt. A kihívás, a válasz kulcsa és a normalizált bírói értékelés elérhető, de a pontos tesztelt modell válaszszövegét szándékosan elvetette az a benchmark korszak adatvédelmi szabályzata.
Teljes benchmark lista
Kérdésről-kérdésre bizonyíték
Minden elfogadott kérdés megjelenik a várt válasszal, a rendelkezésre álló forrással, a tesztelt modell alapján, a szemantikai ítélettel és a határértékre való alkalmassággal. Az osztályozatlan kérdések nem modelltartózkodások. A helyes TALÁLÁS vagy KÖVETKEZTETÉS szemantikailag helyes marad, de ki van zárva a tisztán felidézés határértékeiből.
✕K01UNKNOWNkizárva a levágásból
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Várható válaszOblique SevilleSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: WRONGBizalmat jelentett: 75%
Bíró megjegyzés: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNkizárva a levágásból
Which team won the UEFA Women's Euro 2025 final?
Várható válaszEnglandSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: WRONGBizalmat jelentett: 85%
Bíró megjegyzés: Expected England; answered Spain.
✓K03UNKNOWNkizárva a levágásból
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Várható válaszmpoxSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches mpox.
✓K04UNKNOWNkizárva a levágásból
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Várható válaszAlphaFold 3Source ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches AlphaFold 3.
✓K05UNKNOWNkizárva a levágásból
What model did OpenAI release as a unified system with built-in thinking?
Várható válaszGPT-5Source ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 90%
Bíró megjegyzés: Matches GPT-5.
✓K06UNKNOWNkizárva a levágásból
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Várható válaszWindowsSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Microsoft Windows is accepted.
✕K07UNKNOWNkizárva a levágásból
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Várható válaszOdysseusSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: WRONGBizalmat jelentett: 80%
Bíró megjegyzés: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNkizárva a levágásból
What was the name of Japan's lunar lander that successfully reached the Moon?
Várható válaszSLIMSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches SLIM.
✓K09UNKNOWNkizárva a levágásból
Who became the first private astronaut to perform a spacewalk?
Várható válaszJared IsaacmanSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches Jared Isaacman.
✓K10UNKNOWNkizárva a levágásból
Which country was appointed host of the 2034 FIFA World Cup?
Várható válaszSaudi ArabiaSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches Saudi Arabia.
✓K11UNKNOWNkizárva a levágásból
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Várható válaszMare CrisiumSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 90%
Bíró megjegyzés: Matches Mare Crisium.
✓K12UNKNOWNkizárva a levágásból
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Várható válaszDeepSeek-R1Source ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches DeepSeek-R1.
✓K13UNKNOWNkizárva a levágásból
What was the name of the second malaria vaccine prequalified by WHO?
Várható válaszR21/Matrix-MSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 90%
Bíró megjegyzés: Matches R21/Matrix-M.
✓K14UNKNOWNkizárva a levágásból
Which album won Album of the Year at the 67th Grammy Awards?
Várható válaszCowboy CarterSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches Cowboy Carter.
✓K15UNKNOWNkizárva a levágásból
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Várható válasz523Source ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 85%
Bíró megjegyzés: Matches 523.
✓K16UNKNOWNkizárva a levágásból
How many grams of lunar material did the Chang'e-6 mission collect?
Várható válasz1,935.3 gramsSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 90%
Bíró megjegyzés: Matches 1,935.3 grams.
✓K17UNKNOWNkizárva a levágásból
Which rocket launched NASA's Europa Clipper spacecraft?
Várható válaszFalcon HeavySource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches Falcon Heavy.
✓K18UNKNOWNkizárva a levágásból
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Várható válaszGaia BH3Source ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 90%
Bíró megjegyzés: Matches Gaia BH3.
✕K19UNKNOWNkizárva a levágásból
Who was awarded the 2025 Nobel Peace Prize?
Várható válaszMaria Corina MachadoSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: WRONGBizalmat jelentett: 70%
Bíró megjegyzés: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNkizárva a levágásból
What annual climate-finance goal for developing countries did COP29 set for 2035?
Várható válaszUS$300 billion per yearSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 90%
Bíró megjegyzés: Matches $300 billion per year.
✓K21UNKNOWNkizárva a levágásból
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Várható válaszFram2Source ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 90%
Bíró megjegyzés: Matches Fram2.
✓K22UNKNOWNkizárva a levágásból
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Várható válaszArticle 19Source ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 75%
Bíró megjegyzés: Matches Article 19.
✓K23UNKNOWNkizárva a levágásból
Which new Mario Kart game launched alongside Nintendo Switch 2?
Várható válaszMario Kart WorldSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches Mario Kart World.
✓K24UNKNOWNkizárva a levágásból
What model did OpenAI introduce with a 128K context window at its first DevDay?
Várható válaszGPT-4 TurboSource ↗
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 95%
Bíró megjegyzés: Matches GPT-4 Turbo.
Kérdések lefedettsége és kutatási jegyzetek
Tény kérdések: 24 · Not graded by judge: 0
A referencia határértéket és az idézeteket a bíró biztosítja, a platform független módon nem erősíti meg. A kutatási jegyzetek nem büntetik a tesztelt modellt.
Futtassa a metaadatokat
A reprodukálhatóság részletei
Futtatási azonosító
0B0HVDB2FRJEJC90BRG4D7JV1YBenchmark
model-verification-single-request-v1.2Bíró
gpt-5.6-solKért protokoll
openai_chatÉszlelt válaszséma
Legacy / not recordedProtokoll kompatibilitás
MATCH / örökségModell kimenet
Not recordedBeviteli tokenek
Not recordedKimeneti tokenek
Not recordedFejezd be az okot
Not recordedHTTP állapot
200Külső késleltetés
88,304 msVálasz bájtok
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dFontos korlátozás
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.
Futtasson le egy független ellenőrzést
Tesztelje saját maga ugyanazt a végpontot, vagy böngésszen más nyilvános jelentésekben, mielőtt a meghirdetett modellazonosságra hagyatkozna.