Nyilvános AI-modell-ellenőrzési jelentés
claude-opus-5
https://madclaude.cloud/v1/messages
Modellegyezési pontszám8/100
HIGHLY_INCONSISTENT98% értékelési bizalom
Bizonyíték: SUFFICIENTÁllandó jelentés
https://model-gate.com/hu/model-verification/results/V8Y3ZFEZK23179GX0M3MN6D36FAz értékelő elemzése
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
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.
A modellegyezési benchmarkok nem átlagolják ezt a négy diagnosztikai pontszámot a modell azonosságára. A Model Match pontszáma a bírói identitás rubrikából származik; A hallucinációs rezisztencia és a kalibráció akkor is magas maradhat, ha az állítólagos modell egyezése nagyon alacsony.
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.
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
✓ helyes EMLÉKEZÉS✕ hibás EMLÉKEZÉS~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
24UNKNOWN
0helyes EMLÉKEZÉS
0hibás EMLÉKEZÉS
Időbeli összehasonlítás
UNKNOWNTudáshatárok összehasonlítása
Referencia határérték2026-05OFFICIAL_WEB · 99%
Legutóbbi támogatott RECALL—0 jogosult RECALL válaszokat
Megfigyelt határNem elégséges a RECALL bizonyítékINSUFFICIENT_RECALL_EVIDENCE
Cutoff AlignmentUNKNOWN0% bizonyosság
Értékelő megjegyzései
- 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.
Hivatkozási határforrások
Szemantikus: helyes 0 · helytelen 0 · ismeretlen 24. Lezárásból kizárva: 24.
Viselkedési identitás
HIGHLY_INCONSISTENT · 98%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
- The self-reported model name and provider match the claim, but self-report is weak identity evidence.
- The response avoided fabricated factual answers.
Negatív jelek
- 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.
A bizonyítékok elégségessége: 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.
A bírói identitás indoklása
- 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.
Tesztelt modell válasz
Szó szerint kivont modellszöveg
A tesztelő részvétele közzétette
Ez a pontos modellszöveg, amelyet a sikeres külső API-válaszból kinyertek, és eljuttattak a bíróhoz. A HTTP-fejlécek, a külső API-kulcs és a teljes szolgáltatói válaszboríték nem tárolódik itt.
```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"
}
]
}
```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 film won Best Picture at the 98th Academy Awards?
Várható válaszOne Battle After AnotherSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K02UNKNOWNkizárva a levágásból
According to Webb findings released in January 2026, where are crystalline silicates forged around a very young star?
Várható válaszIn the hot inner part of its surrounding diskSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K03UNKNOWNkizárva a levágásból
Which team won Super Bowl LX?
Várható válaszSeattle SeahawksSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K04UNKNOWNkizárva a levágásból
What regulatory decision did the FDA announce for the Tregzi cellular immunotherapy?
Várható válaszIt approved TregziSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K05UNKNOWNkizárva a levágásból
Who won the 2026 Wimbledon men's singles title?
Várható válaszJannik SinnerSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K06UNKNOWNkizárva a levágásból
Who won the 2025 Tour Championship and FedExCup?
Várható válaszTommy FleetwoodSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K07UNKNOWNkizárva a levágásból
Which performer won the 2026 Eurovision Song Contest?
Várható válaszDARASource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K08UNKNOWNkizárva a levágásból
Which team won the 2025 NBA Finals?
Várható válaszOklahoma City ThunderSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K09UNKNOWNkizárva a levágásból
Which country won the 2026 World Baseball Classic?
Várható válaszVenezuelaSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K10UNKNOWNkizárva a levágásból
Which team won the 2026 NBA Finals?
Várható válaszNew York KnicksSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K11UNKNOWNkizárva a levágásból
Who won New York City's 2025 mayoral election?
Várható válaszZohran MamdaniSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K12UNKNOWNkizárva a levágásból
Who won the 2026 Australian Open women's singles title?
Várható válaszElena RybakinaSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K13UNKNOWNkizárva a levágásból
Which club won the 2026 UEFA Super Cup?
Várható válaszParis Saint-GermainSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K14UNKNOWNkizárva a levágásból
What mishap classification did NASA assign to Boeing Starliner's Crewed Flight Test?
Várható válaszType A mishapSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K15UNKNOWNkizárva a levágásból
Which country won the 2026 FIFA World Cup?
Várható válaszSpainSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K16UNKNOWNkizárva a levágásból
Which club won the 2026 UEFA Champions League final?
Várható válaszParis Saint-GermainSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K17UNKNOWNkizárva a levágásból
Which country won the 2026 Little League Baseball World Series?
Várható válaszCuraçaoSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K18UNKNOWNkizárva a levágásból
Which school won the 2026 NCAA Division I men's basketball championship?
Várható válaszMichiganSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K19UNKNOWNkizárva a levágásból
Who won the 2026 Masters Tournament?
Várható válaszRory McIlroySource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K20UNKNOWNkizárva a levágásból
Who received the 2025 Nobel Peace Prize?
Várható válaszMaría Corina MachadoSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K21UNKNOWNkizárva a levágásból
Who clinched the 2025 Formula One World Drivers' Championship?
Várható válaszLando NorrisSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K22UNKNOWNkizárva a levágásból
In the Google search-antitrust remedies ruling, which browser did the judge decline to force Google to sell?
Várható válaszChromeSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K23UNKNOWNkizárva a levágásból
Which performer won the 2025 Eurovision Song Contest?
Várható válaszJJSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
?K24UNKNOWNkizárva a levágásból
Who won the 2025 Wimbledon gentlemen's singles title?
Várható válaszJannik SinnerSource ↗
Tesztelt modell válaszUNKNOWN0% · UNKNOWN
Értékelői ítélet: UNKNOWNBizalmat jelentett: 0%
Értékelő megjegyzése: Explicit abstention.
Kérdések lefedettsége és kutatási jegyzetek
Tény kérdések: 24 · 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
Futtatásazonosító
V8Y3ZFEZK23179GX0M3MN6D36FBenchmark
model-verification-single-request-v1.5Értékelő modell
gpt-5.6-solKért protokoll
openai_chatÉszlelt válaszséma
anthropic_messagesProtokoll kompatibilitás
MISMATCH · helyreálltModellkimenet
Not recordedBemeneti tokenek
Not recordedKimeneti tokenek
Not recordedBefejezés oka
Not recordedHTTP állapot
200Külső késleltetés
19,443 msVálasz bájtok
3,656SHA-256
2989988b859c9bb90c50291bd34b6ed7423cf3b8c28c3d3915f4f245e99aaaebFontos korlátozás
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.
Futtasson le egy független ellenőrzést
Tesztelje saját maga ugyanazt a végpontot, vagy böngésszen más nyilvános jelentésekben, mielőtt a meghirdetett modellazonosságra hagyatkozna.