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 judecătorilor
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
Judecătorul notează
- 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: corecta 20 · greşit 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
Rezumat arhivat
Această rulare este anterioară reținerii rapoartelor complete pentru înscriere. Provocarea, cheia de răspuns și evaluarea normalizată a judecătorului sunt disponibile, dar textul de răspuns exact al modelului testat a fost eliminat în mod intenționat de acea politică de confidențialitate a epocii de referință.
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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: WRONGÎncrederea raportată: 75%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: WRONGÎncrederea raportată: 85%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: Matches mpox.
✓K04UNKNOWNexclus din cutoff
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Răspuns așteptatAlphaFold 3Source ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 90%
Nota judecătorului: Matches GPT-5.
✓K06UNKNOWNexclus din cutoff
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Răspuns așteptatWindowsSource ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: WRONGÎncrederea raportată: 80%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: Matches SLIM.
✓K09UNKNOWNexclus din cutoff
Who became the first private astronaut to perform a spacewalk?
Răspuns așteptatJared IsaacmanSource ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: Matches Jared Isaacman.
✓K10UNKNOWNexclus din cutoff
Which country was appointed host of the 2034 FIFA World Cup?
Răspuns așteptatSaudi ArabiaSource ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: Matches Saudi Arabia.
✓K11UNKNOWNexclus din cutoff
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Răspuns așteptatMare CrisiumSource ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 90%
Nota judecătorului: Matches Mare Crisium.
✓K12UNKNOWNexclus din cutoff
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Răspuns așteptatDeepSeek-R1Source ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 90%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 85%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 90%
Nota judecătorului: Matches 1,935.3 grams.
✓K17UNKNOWNexclus din cutoff
Which rocket launched NASA's Europa Clipper spacecraft?
Răspuns așteptatFalcon HeavySource ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 90%
Nota judecătorului: Matches Gaia BH3.
✕K19UNKNOWNexclus din cutoff
Who was awarded the 2025 Nobel Peace Prize?
Răspuns așteptatMaria Corina MachadoSource ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: WRONGÎncrederea raportată: 70%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 90%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 90%
Nota judecătorului: Matches Fram2.
✓K22UNKNOWNexclus din cutoff
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Răspuns așteptatArticle 19Source ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 75%
Nota judecătorului: Matches Article 19.
✓K23UNKNOWNexclus din cutoff
Which new Mario Kart game launched alongside Nintendo Switch 2?
Răspuns așteptatMario Kart WorldSource ↗
Răspuns model testat—Răspunsul exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: 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 exact al modelului nu a fost reținut pentru această rulare arhivată.
Verdictul judecătorului: CORRECTÎncrederea raportată: 95%
Nota judecătorului: 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
Run ID
0B0HVDB2FRJEJC90BRG4D7JV1YBenchmark
model-verification-single-request-v1.2Judecător
gpt-5.6-solProtocolul solicitat
openai_chatSchema de răspuns detectată
Legacy / not recordedCompatibilitate protocol
MECI / moștenireIeșire model
Not recordedJetoane de intrare
Not recordedJetoane de ieșire
Not recordedTermină motivul
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.