Nyilvános AI-modell-ellenőrzési jelentés
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Legacy minőségi pontszám100/100
PLAUSIBLE60% értékelési bizalom
Állandó jelentés
https://model-gate.com/hu/model-verification/results/A57ZK57ERM62N3S1XETMXFKK0XBírói 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.
A havi idővonal nem érhető el ehhez az archivált összehasonlító eredményhez.
✓ helyes EMLÉKEZÉS✕ hibás EMLÉKEZÉS~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0helyes EMLÉKEZÉS
0hibás EMLÉKEZÉS
Időbeli összehasonlítás
UNKNOWNTudáshatárok összehasonlítása
Referencia határértékUNKNOWNUNKNOWN · 0%
Legutóbbi támogatott RECALL—0 jogosult RECALL válaszokat
Megfigyelt határNem elégséges a RECALL bizonyítékINSUFFICIENT_RECALL_EVIDENCE
Cutoff AlignmentUNKNOWN0% bizalom
Bíró megjegyzi
- All Class A items are correct through June 2024, establishing an observed lower bound but no upper bound.
- The immutable reference snapshot has no known cutoff dates, so cutoff alignment cannot be scored.
Szemantikus: helyes 16 · rossz 0 · ismeretlen 0. Lezárásból kizárva: 0.
Viselkedési identitás
PLAUSIBLE · 60%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
- Perfect performance across all supplied Class A recall items.
- Correct recall of multiple DeepSeek model releases and specifications.
- No systematic early knowledge failures.
Negatív jelek
- No documented canonical identity or cutoff is available in the reference snapshot.
- Cutoff consistency cannot be evaluated.
- Self-report and matching API metadata are weak identity evidence.
A bírói identitás indoklása
- The response is fully correct on all 16 strong-recall questions, including the DeepSeek-specific history items.
- The observed knowledge extends through June 2024, but the reference cutoff is unknown and therefore provides no identity-comparison signal.
- The claimed name and API identifier agree, but both are untrusted metadata and do not prove model identity.
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
Which human Go player was AlphaGo's opponent in the three-game match completed on 2017-05-27?
Várható válaszKe Jie
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer Ke Jie.
✓K02UNKNOWNkizárva a levágásból
The first published image of a black hole, announced on 2019-04-10, depicted the black hole in which galaxy?
Várható válaszMessier 87
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: M87 galaxy is semantically equivalent to Messier 87.
✓K03UNKNOWNkizárva a levágásból
Which two scientists were awarded the 2020 Nobel Prize in Chemistry for developing a method for genome editing?
Várható válaszEmmanuelle Charpentier and Jennifer A. Doudna
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Both required scientists are correctly named.
✓K04UNKNOWNkizárva a levágásból
Which research organization developed the AlphaFold2 system whose CASP14 performance was announced on 2020-11-30?
Várható válaszDeepMind
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer DeepMind.
✓K05UNKNOWNkizárva a levágásból
Which launch vehicle carried the James Webb Space Telescope into space on 2021-12-25?
Várható válaszAriane 5
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer Ariane 5.
✓K06UNKNOWNkizárva a levágásból
What was the name of the asteroid moonlet struck by NASA's DART spacecraft on 2022-09-26?
Várható válaszDimorphos
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer Dimorphos.
✓K07UNKNOWNkizárva a levágásból
In which ocean did the Artemis I Orion capsule splash down on 2022-12-11?
Várható válaszPacific Ocean
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer Pacific Ocean.
✓K08UNKNOWNkizárva a levágásból
On 2023-03-01, OpenAI made an API available for which speech-recognition model?
Várható válaszWhisper
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer Whisper.
✓K09UNKNOWNkizárva a levágásból
What was the name of the Chandrayaan-3 lander that reached the lunar surface on 2023-08-23?
Várható válaszVikram
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer Vikram.
✓K10UNKNOWNkizárva a levágásból
Samples from which asteroid were returned to Earth by the OSIRIS-REx capsule on 2023-09-24?
Várható válaszBennu
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer Bennu.
✓K11UNKNOWNkizárva a levágásból
What was the name of the code-focused model family publicly introduced by DeepSeek on 2023-11-02?
Várható válaszDeepSeek Coder
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: DeepSeek-Coder is an accepted spelling.
✓K12UNKNOWNkizárva a levágásból
What two parameter scales were offered in the DeepSeek LLM family announced on 2023-11-29?
Várható válasz7B and 67B
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Both parameter scales match: 7B and 67B.
✓K13UNKNOWNkizárva a levágásból
How many total parameters and how many activated parameters per token did DeepSeek-V2 have when announced on 2024-05-06?
Várható válasz236B total parameters and 21B activated parameters per token
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Correctly gives 236B total and 21B activated per token.
✓K14UNKNOWNkizárva a levágásból
What maximum context length was supported by DeepSeek-Coder-V2 when announced on 2024-06-17?
Várható válasz128K tokens
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer 128K tokens.
✓K15UNKNOWNkizárva a levágásból
Which company built the Odysseus lunar lander that touched down on 2024-02-22?
Várható válaszIntuitive Machines
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Matches accepted answer Intuitive Machines.
✓K16UNKNOWNkizárva a levágásból
What two parameter sizes were offered for the initially released Llama 3 models announced on 2024-04-18?
Várható válasz8B and 70B
Tesztelt modell válasz—A pontos modellválasz nem maradt meg ennél az archivált futtatásnál.
Bírói ítélet: CORRECTBizalmat jelentett: 100%
Bíró megjegyzés: Both initially released sizes match: 8B and 70B.
Kérdések lefedettsége és kutatási jegyzetek
Tény kérdések: 16 · Nem minősítette a bíró: 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
A57ZK57ERM62N3S1XETMXFKK0XBenchmark
model-verification-single-request-v1.1Bíró
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
28,645 msVálasz bájtok
1,859SHA-256
4c1f5cca4a79a53f28e7f6544bfe08208148d53c85569f50c4132e161da06613Fontos korlátozás
The reference cutoff is the configured judge model's internal-knowledge snapshot for this run, not an independently verified 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.