Raport public de verificare a modelului AI
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Scorul de calitate vechi87/100
CONSISTENT82% încrederea în evaluare
Raport permanent
https://model-gate.com/ro/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YAnaliza evaluatorului
De ce a primit rezultatul acestei verificări
Raportul public reflectă dovezile analitice prezentate testatorului după /chat/verify. Scorurile judecătorilor sunt evaluări rubrica; numai răspunsurile RECALL explicite, corecte sau greșite, pot influența limita limită de rechemare pură.
Diagnosticarea comportamentului
4 diagnosticeMotivul punctajului judecătorului
Nu s-a reținut nicio justificare separată a judecătorului pentru acest rezultat arhivat.
Nu s-a reținut nicio justificare separată a judecătorului pentru acest rezultat arhivat.
Nu s-a reținut nicio justificare separată a judecătorului pentru acest rezultat arhivat.
Nu s-a reținut nicio justificare separată a judecătorului pentru acest rezultat arhivat.
Notă de referință istorică: acest scor general arhivat v1.4 a folosit fosta agregare fixă de diagnosticare. Este păstrat pentru reproductibilitate și nu trebuie interpretat ca un scor de potrivire a modelului v1.5.
Dovezi temporale
0 Sondele RECALLCronologie pură de reamintire
Setul real de întrebări a fost amestecat înainte de solicitarea modelului testat. Sloturile de generație lipsă nu sunt abțineri de model. Cronologia reconstruiește lunile țintă pentru auditabilitate. Doar răspunsurile RECALL explicite sunt dovezi tăiate; INFERENȚĂ, GHICI și NECUNOSCUT rămân vizibile, dar nu mută granița.
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
✓ RECALL corect✕ REAMINARE greșită~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0RECALL corect
0REAMINARE greșită
Comparație temporală
CONSISTENTCompararea limitelor de cunoștințe
Limită de referință2025-05ESTIMATED_WEB · 0%
Cel mai recent RECALL acceptat—0 răspunsuri eligibile RECALL
Limită respectatăDovezi RECALL insuficienteINSUFFICIENT_RECALL_EVIDENCE
Cutoff AlignmentCONSISTENT88/100 · 80% încredere
Notele evaluatorului
- 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.
Surse de referință-limită
Semantic: corect 20 · incorect 4 · necunoscut 0. Exclus din cutoff: 0.
Identitatea comportamentală
CONSISTENT · 82%Semnale de identitate
Identitatea este dedusă din coerența dintre modelul revendicat și profilul de cunoștințe/răspuns observat. Este o dovadă, nu o atestare de la distanță sau o dovadă criptografică a greutăților porției.
Semnale pozitive
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Semnale negative
- 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.
Raționamentul identității judecătorului
- 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.
Răspunsul modelului testat
Text model extras literal
Evaluare publicată
Provocarea, cheia de răspuns și evaluarea normalizată a judecătorului sunt disponibile. Textul exact al modelului testat nu este disponibil pentru publicare decât dacă a fost păstrat cu înscrierea testatorului. Publicarea unei evaluări nu creează acel consimțământ sau nu recuperează textul aruncat.
Lista completă a benchmark-ului
Dovezi întrebare cu întrebare
Toate întrebările admise sunt afișate cu răspunsul așteptat, sursa disponibilă, baza modelului testat, verdictul semantic și eligibilitatea limită. Întrebările negradate nu sunt abțineri model. O PRECIZARE sau INFERENȚĂ corectă rămâne corectă din punct de vedere semantic, dar este exclusă din dovezile de reducere a reamintirii.
✕K01UNKNOWNexclus din cutoff
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Răspuns așteptatOblique SevilleSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: WRONGÎncrederea raportată: 75%
Notă a evaluatorului: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNexclus din cutoff
Which team won the UEFA Women's Euro 2025 final?
Răspuns așteptatEnglandSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: WRONGÎncrederea raportată: 85%
Notă a evaluatorului: Expected England; answered Spain.
✓K03UNKNOWNexclus din cutoff
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Răspuns așteptatmpoxSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches mpox.
✓K04UNKNOWNexclus din cutoff
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Răspuns așteptatAlphaFold 3Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches AlphaFold 3.
✓K05UNKNOWNexclus din cutoff
What model did OpenAI release as a unified system with built-in thinking?
Răspuns așteptatGPT-5Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches GPT-5.
✓K06UNKNOWNexclus din cutoff
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Răspuns așteptatWindowsSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Microsoft Windows is accepted.
✕K07UNKNOWNexclus din cutoff
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Răspuns așteptatOdysseusSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: WRONGÎncrederea raportată: 80%
Notă a evaluatorului: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNexclus din cutoff
What was the name of Japan's lunar lander that successfully reached the Moon?
Răspuns așteptatSLIMSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches SLIM.
✓K09UNKNOWNexclus din cutoff
Who became the first private astronaut to perform a spacewalk?
Răspuns așteptatJared IsaacmanSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Jared Isaacman.
✓K10UNKNOWNexclus din cutoff
Which country was appointed host of the 2034 FIFA World Cup?
Răspuns așteptatSaudi ArabiaSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Saudi Arabia.
✓K11UNKNOWNexclus din cutoff
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Răspuns așteptatMare CrisiumSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches Mare Crisium.
✓K12UNKNOWNexclus din cutoff
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Răspuns așteptatDeepSeek-R1Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches DeepSeek-R1.
✓K13UNKNOWNexclus din cutoff
What was the name of the second malaria vaccine prequalified by WHO?
Răspuns așteptatR21/Matrix-MSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches R21/Matrix-M.
✓K14UNKNOWNexclus din cutoff
Which album won Album of the Year at the 67th Grammy Awards?
Răspuns așteptatCowboy CarterSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Cowboy Carter.
✓K15UNKNOWNexclus din cutoff
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Răspuns așteptat523Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 85%
Notă a evaluatorului: Matches 523.
✓K16UNKNOWNexclus din cutoff
How many grams of lunar material did the Chang'e-6 mission collect?
Răspuns așteptat1,935.3 gramsSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches 1,935.3 grams.
✓K17UNKNOWNexclus din cutoff
Which rocket launched NASA's Europa Clipper spacecraft?
Răspuns așteptatFalcon HeavySource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Falcon Heavy.
✓K18UNKNOWNexclus din cutoff
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Răspuns așteptatGaia BH3Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches Gaia BH3.
✕K19UNKNOWNexclus din cutoff
Who was awarded the 2025 Nobel Peace Prize?
Răspuns așteptatMaria Corina MachadoSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: WRONGÎncrederea raportată: 70%
Notă a evaluatorului: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNexclus din cutoff
What annual climate-finance goal for developing countries did COP29 set for 2035?
Răspuns așteptatUS$300 billion per yearSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches $300 billion per year.
✓K21UNKNOWNexclus din cutoff
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Răspuns așteptatFram2Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches Fram2.
✓K22UNKNOWNexclus din cutoff
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Răspuns așteptatArticle 19Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 75%
Notă a evaluatorului: Matches Article 19.
✓K23UNKNOWNexclus din cutoff
Which new Mario Kart game launched alongside Nintendo Switch 2?
Răspuns așteptatMario Kart WorldSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Mario Kart World.
✓K24UNKNOWNexclus din cutoff
What model did OpenAI introduce with a 128K context window at its first DevDay?
Răspuns așteptatGPT-4 TurboSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches GPT-4 Turbo.
Acoperirea întrebărilor și note de cercetare
Întrebări de fapt: 24 · Nu este notat de judecător: 0
Limitele de referință și citările sunt furnizate de judecător, nu confirmate independent de platformă. Notele cercetării nu penalizează modelul testat.
Rulați metadate
Detalii de reproductibilitate
ID-ul execuției
0B0HVDB2FRJEJC90BRG4D7JV1YBenchmark
model-verification-single-request-v1.2Model evaluator
gpt-5.6-solProtocolul solicitat
openai_chatSchema de răspuns detectată
Legacy / not recordedCompatibilitate protocol
MECI / moștenireIeșirea modelului
Not recordedTokenuri de intrare
Not recordedTokenuri de ieșire
Not recordedMotivul încheierii
Not recordedStare HTTP
200Latența externă
88,304 msOcteți de răspuns
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dLimitare importantă
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.
Efectuați o verificare independentă
Testați singur același punct final sau răsfoiți alte rapoarte publice înainte de a vă baza pe o identitate de model promovată.