Raport public de verificare a modelului AI
claude-opus-5
https://madclaude.cloud/v1/messages
Scorul de potrivire model8/100
HIGHLY_INCONSISTENT98% încrederea în evaluare
Dovezi: SUFFICIENTRaport permanent
https://model-gate.com/ro/model-verification/results/V8Y3ZFEZK23179GX0M3MN6D36FAnaliza 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
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.
Valorile de referință pentru potrivirea modelului nu fac media acestor patru scoruri de diagnosticare în identitatea modelului. Scorul din titlul Model Match provine din rubrica de identitate a judecătorului; Rezistența la halucinații și calibrarea pot rămâne ridicate chiar și atunci când potrivirea modelului revendicat este foarte scăzută.
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.
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
✓ RECALL corect✕ REAMINARE greșită~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
24UNKNOWN
0RECALL corect
0REAMINARE greșită
Comparație temporală
UNKNOWNCompararea limitelor de cunoștințe
Limită de referință2026-05OFFICIAL_WEB · 99%
Cel mai recent RECALL acceptat—0 răspunsuri eligibile RECALL
Limită respectatăDovezi RECALL insuficienteINSUFFICIENT_RECALL_EVIDENCE
Cutoff AlignmentUNKNOWN0% încredere
Notele evaluatorului
- 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.
Surse de referință-limită
Semantic: corect 0 · incorect 0 · necunoscut 24. Exclus din cutoff: 24.
Identitatea comportamentală
HIGHLY_INCONSISTENT · 98%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
- The self-reported model name and provider match the claim, but self-report is weak identity evidence.
- The response avoided fabricated factual answers.
Semnale negative
- 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.
Suficiența dovezilor: 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.
Raționamentul identității judecătorului
- 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.
Răspunsul modelului testat
Text model extras literal
Publicat de tester opt-in
Acesta este textul model exact extras din răspunsul API extern de succes și furnizat judecătorului. Antetele HTTP, cheia API externă și plicul complet de răspuns al furnizorului nu sunt stocate aici.
```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"
}
]
}
```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 film won Best Picture at the 98th Academy Awards?
Răspuns așteptatOne Battle After AnotherSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K02UNKNOWNexclus din cutoff
According to Webb findings released in January 2026, where are crystalline silicates forged around a very young star?
Răspuns așteptatIn the hot inner part of its surrounding diskSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K03UNKNOWNexclus din cutoff
Which team won Super Bowl LX?
Răspuns așteptatSeattle SeahawksSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K04UNKNOWNexclus din cutoff
What regulatory decision did the FDA announce for the Tregzi cellular immunotherapy?
Răspuns așteptatIt approved TregziSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K05UNKNOWNexclus din cutoff
Who won the 2026 Wimbledon men's singles title?
Răspuns așteptatJannik SinnerSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K06UNKNOWNexclus din cutoff
Who won the 2025 Tour Championship and FedExCup?
Răspuns așteptatTommy FleetwoodSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K07UNKNOWNexclus din cutoff
Which performer won the 2026 Eurovision Song Contest?
Răspuns așteptatDARASource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K08UNKNOWNexclus din cutoff
Which team won the 2025 NBA Finals?
Răspuns așteptatOklahoma City ThunderSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K09UNKNOWNexclus din cutoff
Which country won the 2026 World Baseball Classic?
Răspuns așteptatVenezuelaSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K10UNKNOWNexclus din cutoff
Which team won the 2026 NBA Finals?
Răspuns așteptatNew York KnicksSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K11UNKNOWNexclus din cutoff
Who won New York City's 2025 mayoral election?
Răspuns așteptatZohran MamdaniSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K12UNKNOWNexclus din cutoff
Who won the 2026 Australian Open women's singles title?
Răspuns așteptatElena RybakinaSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K13UNKNOWNexclus din cutoff
Which club won the 2026 UEFA Super Cup?
Răspuns așteptatParis Saint-GermainSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K14UNKNOWNexclus din cutoff
What mishap classification did NASA assign to Boeing Starliner's Crewed Flight Test?
Răspuns așteptatType A mishapSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K15UNKNOWNexclus din cutoff
Which country won the 2026 FIFA World Cup?
Răspuns așteptatSpainSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K16UNKNOWNexclus din cutoff
Which club won the 2026 UEFA Champions League final?
Răspuns așteptatParis Saint-GermainSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K17UNKNOWNexclus din cutoff
Which country won the 2026 Little League Baseball World Series?
Răspuns așteptatCuraçaoSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K18UNKNOWNexclus din cutoff
Which school won the 2026 NCAA Division I men's basketball championship?
Răspuns așteptatMichiganSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K19UNKNOWNexclus din cutoff
Who won the 2026 Masters Tournament?
Răspuns așteptatRory McIlroySource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K20UNKNOWNexclus din cutoff
Who received the 2025 Nobel Peace Prize?
Răspuns așteptatMaría Corina MachadoSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K21UNKNOWNexclus din cutoff
Who clinched the 2025 Formula One World Drivers' Championship?
Răspuns așteptatLando NorrisSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K22UNKNOWNexclus din cutoff
In the Google search-antitrust remedies ruling, which browser did the judge decline to force Google to sell?
Răspuns așteptatChromeSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K23UNKNOWNexclus din cutoff
Which performer won the 2025 Eurovision Song Contest?
Răspuns așteptatJJSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
?K24UNKNOWNexclus din cutoff
Who won the 2025 Wimbledon gentlemen's singles title?
Răspuns așteptatJannik SinnerSource ↗
Răspuns model testatUNKNOWN0% · UNKNOWN
Verdictul evaluatorului: UNKNOWNÎncrederea raportată: 0%
Notă a evaluatorului: Explicit abstention.
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
V8Y3ZFEZK23179GX0M3MN6D36FBenchmark
model-verification-single-request-v1.5Model evaluator
gpt-5.6-solProtocolul solicitat
openai_chatSchema de răspuns detectată
anthropic_messagesCompatibilitate protocol
NEPOTRIVIRE · recuperatIeșirea modelului
Not recordedTokenuri de intrare
Not recordedTokenuri de ieșire
Not recordedMotivul încheierii
Not recordedStare HTTP
200Latența externă
19,443 msOcteți de răspuns
3,656SHA-256
2989988b859c9bb90c50291bd34b6ed7423cf3b8c28c3d3915f4f245e99aaaebLimitare importantă
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.
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.