Offentlig AI-modellverifiseringsrapport
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Eldre kvalitetspoeng87/100
CONSISTENT82% vurdering tillit
Permanent rapport
https://model-gate.com/no/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YVurderingsmodellens analyse
Hvorfor denne bekreftelsen mottok resultatet
Den offentlige rapporten gjenspeiler de analytiske bevisene som ble vist til testeren etter /chat/verify. Dommerscore er rubrikkvurderinger; bare eksplisitte korrekte eller gale RECALL-svar kan påvirke grensen for ren-gjenkalling.
Atferdsdiagnostikk
4 diagnostikkBegrunnelse for dommerscoring
Ingen egen dommerbegrunnelse ble beholdt for dette arkiverte resultatet.
Ingen egen dommerbegrunnelse ble beholdt for dette arkiverte resultatet.
Ingen egen dommerbegrunnelse ble beholdt for dette arkiverte resultatet.
Ingen egen dommerbegrunnelse ble beholdt for dette arkiverte resultatet.
Historisk benchmarknotat: denne arkiverte v1.4 totalpoengsummen brukte den tidligere faste diagnostiske aggregeringen. Den beholdes for reproduserbarhet og må ikke tolkes som en v1.5 Model Match-poengsum.
Tidlige bevis
0 RECALL sonderTidslinje for ren gjenkalling
Selve spørsmålssettet ble blandet før forespørselen om testet modell. Manglende generasjonsspor er ikke modellavhold. Tidslinjen rekonstruerer målmånedene deres for reviderbarhet. Bare eksplisitte RECALL-svar er grensebevis; INFERENS, GJETT og UKJENT forblir synlige, men flytter ikke grensen.
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
✓ riktig RECALL✕ feil RECALL~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0riktig RECALL
0feil RECALL
Tidsmessig sammenligning
CONSISTENTSammenligning av kunnskapsgrense
Referanseavskjæring2025-05ESTIMATED_WEB · 0%
Siste støttede RECALL—0 kvalifiserte RECALL-svar
Observert grenseUtilstrekkelig RECALL-bevisINSUFFICIENT_RECALL_EVIDENCE
Cutoff-justeringCONSISTENT88/100 · 80% sikkerhet
Vurderingsnotater
- 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.
Referanseavskjæringskilder
Semantisk: riktig 20 · feil 4 · ukjent 0. Ekskludert fra cutoff: 0.
Atferdsidentitet
CONSISTENT · 82%Identitetssignaler
Identitet utledes fra konsistens mellom den påståtte modellen og den observerte kunnskaps-/svarprofilen. Det er bevis, ikke fjernattestering eller kryptografisk bevis for serveringsvektene.
Positive signaler
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Negative signaler
- 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.
Begrunnelsen for dommerens identitet
- 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.
Testet modellrespons
Ordrett uttrukket modelltekst
Publisert vurdering
Utfordringen, svarnøkkelen og normalisert dommervurdering er tilgjengelig. Eksakt testet modelltekst er ikke tilgjengelig for publisering med mindre den ble beholdt med tester-opt-in. Å publisere en vurdering skaper ikke det samtykket eller gjenoppretter forkastet tekst.
Komplett benchmark-oppføring
Spørsmål-for-spørsmål bevis
Alle innrømmede spørsmål vises med forventet svar, tilgjengelig kilde, testet modellgrunnlag, semantisk dom og kvalifisering for avskjæring. Spørsmål uten karakter er ikke modellavhold. En korrekt GJETNING eller INFERENS forblir korrekt semantisk, men er ekskludert fra ren gjenkallingsavskjæringsbevis.
✕K01UNKNOWNekskludert fra cutoff
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Forventet svarOblique SevilleSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: WRONGRapporterte tillit: 75%
Vurderingsnotat: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNekskludert fra cutoff
Which team won the UEFA Women's Euro 2025 final?
Forventet svarEnglandSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: WRONGRapporterte tillit: 85%
Vurderingsnotat: Expected England; answered Spain.
✓K03UNKNOWNekskludert fra cutoff
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Forventet svarmpoxSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches mpox.
✓K04UNKNOWNekskludert fra cutoff
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Forventet svarAlphaFold 3Source ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches AlphaFold 3.
✓K05UNKNOWNekskludert fra cutoff
What model did OpenAI release as a unified system with built-in thinking?
Forventet svarGPT-5Source ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 90%
Vurderingsnotat: Matches GPT-5.
✓K06UNKNOWNekskludert fra cutoff
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Forventet svarWindowsSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Microsoft Windows is accepted.
✕K07UNKNOWNekskludert fra cutoff
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Forventet svarOdysseusSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: WRONGRapporterte tillit: 80%
Vurderingsnotat: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNekskludert fra cutoff
What was the name of Japan's lunar lander that successfully reached the Moon?
Forventet svarSLIMSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches SLIM.
✓K09UNKNOWNekskludert fra cutoff
Who became the first private astronaut to perform a spacewalk?
Forventet svarJared IsaacmanSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches Jared Isaacman.
✓K10UNKNOWNekskludert fra cutoff
Which country was appointed host of the 2034 FIFA World Cup?
Forventet svarSaudi ArabiaSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches Saudi Arabia.
✓K11UNKNOWNekskludert fra cutoff
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Forventet svarMare CrisiumSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 90%
Vurderingsnotat: Matches Mare Crisium.
✓K12UNKNOWNekskludert fra cutoff
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Forventet svarDeepSeek-R1Source ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches DeepSeek-R1.
✓K13UNKNOWNekskludert fra cutoff
What was the name of the second malaria vaccine prequalified by WHO?
Forventet svarR21/Matrix-MSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 90%
Vurderingsnotat: Matches R21/Matrix-M.
✓K14UNKNOWNekskludert fra cutoff
Which album won Album of the Year at the 67th Grammy Awards?
Forventet svarCowboy CarterSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches Cowboy Carter.
✓K15UNKNOWNekskludert fra cutoff
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Forventet svar523Source ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 85%
Vurderingsnotat: Matches 523.
✓K16UNKNOWNekskludert fra cutoff
How many grams of lunar material did the Chang'e-6 mission collect?
Forventet svar1,935.3 gramsSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 90%
Vurderingsnotat: Matches 1,935.3 grams.
✓K17UNKNOWNekskludert fra cutoff
Which rocket launched NASA's Europa Clipper spacecraft?
Forventet svarFalcon HeavySource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches Falcon Heavy.
✓K18UNKNOWNekskludert fra cutoff
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Forventet svarGaia BH3Source ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 90%
Vurderingsnotat: Matches Gaia BH3.
✕K19UNKNOWNekskludert fra cutoff
Who was awarded the 2025 Nobel Peace Prize?
Forventet svarMaria Corina MachadoSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: WRONGRapporterte tillit: 70%
Vurderingsnotat: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNekskludert fra cutoff
What annual climate-finance goal for developing countries did COP29 set for 2035?
Forventet svarUS$300 billion per yearSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 90%
Vurderingsnotat: Matches $300 billion per year.
✓K21UNKNOWNekskludert fra cutoff
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Forventet svarFram2Source ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 90%
Vurderingsnotat: Matches Fram2.
✓K22UNKNOWNekskludert fra cutoff
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Forventet svarArticle 19Source ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 75%
Vurderingsnotat: Matches Article 19.
✓K23UNKNOWNekskludert fra cutoff
Which new Mario Kart game launched alongside Nintendo Switch 2?
Forventet svarMario Kart WorldSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches Mario Kart World.
✓K24UNKNOWNekskludert fra cutoff
What model did OpenAI introduce with a 128K context window at its first DevDay?
Forventet svarGPT-4 TurboSource ↗
Testet modellsvar—Nøyaktig modellsvar er ikke tilgjengelig for publisering.
Vurderingsresultat: CORRECTRapporterte tillit: 95%
Vurderingsnotat: Matches GPT-4 Turbo.
Spørsmålsdekning og forskningsnotater
Faktiske spørsmål: 24 · Ikke vurdert av dommer: 0
Referanseavskjæring og sitater er levert av dommeren, ikke uavhengig bekreftet av plattformen. Forskningsnotater straffer ikke den testede modellen.
Kjør metadata
Reproduserbarhetsdetaljer
Kjørings-ID
0B0HVDB2FRJEJC90BRG4D7JV1YBenchmark
model-verification-single-request-v1.2Vurderingsmodell
gpt-5.6-solForespurt protokoll
openai_chatOppdaget svarskjema
Legacy / not recordedProtokollkompatibilitet
KAMP / arvModellutdata
Not recordedInndatatokener
Not recordedUtdatatokener
Not recordedÅrsak til avslutning
Not recordedHTTP-status
200Ekstern ventetid
88,304 msSvarbytes
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dViktig begrensning
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.
Kjør en uavhengig verifisering
Test det samme endepunktet selv eller bla gjennom andre offentlige rapporter før du stoler på en annonsert modellidentitet.