Raport public de verificare a modelului AI
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Scorul de calitate vechi87/100
SUSPICIOUS76% încrederea în evaluare
Raport permanent
https://model-gate.com/ro/model-verification/results/A8T2GNQWKPJS4M16YAF7M0PGP4Analiza 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.
2024-09? K06UNKNOWN
2024-10? K23UNKNOWN
2024-11? K11UNKNOWN
2024-12? K21UNKNOWN
2025-01? K13UNKNOWN
2025-02? K10UNKNOWN? K19UNKNOWN
2025-03? K05UNKNOWN? K12UNKNOWN
2025-04? K15UNKNOWN? K20UNKNOWN
2025-05? K03UNKNOWN? K17UNKNOWN
2025-06? K07UNKNOWN? K22UNKNOWN
2025-07? K18UNKNOWN? K24UNKNOWN
2025-08? K02UNKNOWN? K08UNKNOWN
2025-09? K14UNKNOWN? K16UNKNOWN
2025-10? K01UNKNOWN
2025-11? K04UNKNOWN
2025-12? K09UNKNOWN
✓ RECALL corect✕ REAMINARE greșită~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0RECALL corect
0REAMINARE greșită
Comparație temporală
LATER_THAN_REFERENCECompararea limitelor de cunoștințe
Limită de referință2025-05ESTIMATED_WEB · 45%
Cel mai recent RECALL acceptat—0 răspunsuri eligibile RECALL
Limită respectatăDovezi RECALL insuficienteINSUFFICIENT_RECALL_EVIDENCE
Cutoff AlignmentLATER_THAN_REFERENCE28/100 · 55% încredere
Notele evaluatorului
- The response is consistently correct through September 2025 and also answers a November 2025 item correctly.
- Correct answers across June, August, and September provide sustained post-reference evidence rather than one isolated later hit.
- Mixed results in July and failures in October and December make the terminal boundary imprecise.
- The saved May 2025 reference cutoff is a low-confidence ESTIMATED_WEB value, which materially limits alignment confidence.
Surse de referință-limită
Semantic: corect 21 · incorect 3 · necunoscut 0. Exclus din cutoff: 0.
Identitatea comportamentală
SUSPICIOUS · 76%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
- Strong performance on essentially all events before and near the saved reference cutoff.
- No systematic strong-recall failures substantially before the reference cutoff.
Semnale negative
- Conflicting model-family self-report.
- Sustained correct recall across multiple months after the estimated reference cutoff.
- Correct recall of several September and November 2025 events is anomalously late for the saved snapshot.
Raționamentul identității judecătorului
- SR01 identifies the model as Claude from Anthropic, directly conflicting with the claimed DeepSeek identity, although self-description remains weak evidence.
- The observed behavioral boundary is several months later than the saved May 2025 reference estimate.
- Post-reference knowledge is broad across sports, technology, culture, and world events, making it more notable than a small number of isolated later facts.
- The reference cutoff itself has only 45 percent confidence, so the recency discrepancy cannot independently establish 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
Which Venezuelan opposition leader 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: 75%
Notă a evaluatorului: Machado is correct, but the answer incorrectly adds Edmundo Gonzalez Urrutia as a co-recipient.
✓K02UNKNOWNexclus din cutoff
Which two countries signed a joint peace declaration at the White House?
Răspuns așteptatArmenia and AzerbaijanSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 62%
Notă a evaluatorului: Matches Armenia and Azerbaijan.
✓K03UNKNOWNexclus din cutoff
What papal name did Cardinal Robert Francis Prevost take after his election?
Răspuns așteptatLeo XIVSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 85%
Notă a evaluatorului: Matches Pope Leo XIV.
✓K04UNKNOWNexclus din cutoff
Which city hosted the first G20 Leaders' Summit held on the African continent?
Răspuns așteptatJohannesburgSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 80%
Notă a evaluatorului: Matches Johannesburg.
✓K05UNKNOWNexclus din cutoff
Which film won Best Picture at the 97th Academy Awards?
Răspuns așteptatAnoraSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Anora.
✓K06UNKNOWNexclus din cutoff
Which mission completed the first commercial spacewalk?
Răspuns așteptatPolaris DawnSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 88%
Notă a evaluatorului: Matches Polaris Dawn.
✓K07UNKNOWNexclus din cutoff
Which team won the 2025 NBA championship?
Răspuns așteptatOklahoma City ThunderSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 45%
Notă a evaluatorului: Matches Oklahoma City Thunder.
✓K08UNKNOWNexclus din cutoff
Which flagship model did OpenAI release in its API platform?
Răspuns așteptatGPT-5Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 80%
Notă a evaluatorului: Matches GPT-5.
✕K09UNKNOWNexclus din cutoff
Which footballer won The Best FIFA Men's Player award for 2025?
Răspuns așteptatOusmane DembeleSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: WRONGÎncrederea raportată: 48%
Notă a evaluatorului: Expected Ousmane Dembele, not Vinicius Junior.
✓K10UNKNOWNexclus din cutoff
Which political alliance won the largest share of votes in Germany's 2025 federal election?
Răspuns așteptatCDU/CSUSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches CDU/CSU.
✓K11UNKNOWNexclus din cutoff
Which international court issued arrest warrants for Benjamin Netanyahu and Yoav Gallant?
Răspuns așteptatInternational Criminal CourtSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 100%
Notă a evaluatorului: Matches the International Criminal Court.
✓K12UNKNOWNexclus din cutoff
Which commercial lunar lander successfully touched down in Mare Crisium?
Răspuns așteptatBlue GhostSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 88%
Notă a evaluatorului: Matches Blue Ghost.
✓K13UNKNOWNexclus din cutoff
Which Blue Origin rocket reached orbit on its maiden launch?
Răspuns așteptatNew GlennSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches New Glenn.
✓K14UNKNOWNexclus din cutoff
Which standard iPhone generation did Apple unveil at its September product event?
Răspuns așteptatiPhone 17Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches iPhone 17.
✓K15UNKNOWNexclus din cutoff
Which pontiff died at the Vatican on Easter Monday?
Răspuns așteptatPope FrancisSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 98%
Notă a evaluatorului: Matches Pope Francis.
✓K16UNKNOWNexclus din cutoff
Which party retained a parliamentary majority in Moldova's election?
Răspuns așteptatParty of Action and SolidaritySource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 72%
Notă a evaluatorului: Matches the Party of Action and Solidarity.
✓K17UNKNOWNexclus din cutoff
What landmark global health accord did the World Health Assembly adopt?
Răspuns așteptatWHO Pandemic AgreementSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 75%
Notă a evaluatorului: Pandemic Agreement is an accepted answer.
✓K18UNKNOWNexclus din cutoff
Which British band began its long-awaited reunion tour in Cardiff after a 16-year hiatus?
Răspuns așteptatOasisSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Oasis.
✓K19UNKNOWNexclus din cutoff
Which album won Album of the Year at the 2025 Grammy Awards?
Răspuns așteptatCowboy CarterSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 90%
Notă a evaluatorului: Matches Cowboy Carter.
✓K20UNKNOWNexclus din cutoff
What was the mission designation of Blue Origin's flight carrying Katy Perry, Gayle King and four other women?
Răspuns așteptatNS-31Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 92%
Notă a evaluatorului: Matches NS-31.
✓K21UNKNOWNexclus din cutoff
Which Paris cathedral reopened after five years of restoration following its 2019 fire?
Răspuns așteptatNotre-Dame de ParisSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 98%
Notă a evaluatorului: Matches Notre-Dame de Paris.
✓K22UNKNOWNexclus din cutoff
Which new Nintendo console launched worldwide?
Răspuns așteptatNintendo Switch 2Source ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Nintendo Switch 2.
✓K23UNKNOWNexclus din cutoff
Which Japanese organization was awarded the 2024 Nobel Peace Prize?
Răspuns așteptatNihon HidankyoSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: CORRECTÎncrederea raportată: 95%
Notă a evaluatorului: Matches Nihon Hidankyo.
✕K24UNKNOWNexclus din cutoff
Which national team won UEFA Women's Euro 2025?
Răspuns așteptatEnglandSource ↗
Răspuns model testat—Răspunsul model exact nu este disponibil pentru publicare.
Verdictul evaluatorului: WRONGÎncrederea raportată: 65%
Notă a evaluatorului: Expected England, not Spain.
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
A8T2GNQWKPJS4M16YAF7M0PGP4Benchmark
model-verification-single-request-v1.3Model 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
222,372 msOcteți de răspuns
2,597SHA-256
e13bdc27a0f0f92d7830a6c409fc8ffed2214bb814e138471d9cc7ca27be7e71Limitare 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.