Отчет о проверке общедоступной модели ИИ
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Устаревший показатель качества87/100
CONSISTENT82% уверенность в оценке
Постоянный отчет
https://model-gate.com/ru/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YСудейский анализ
Почему эта проверка получила свой результат
Публичный отчет отражает аналитические данные, показанные тестировщику после /chat/verify. Судейские оценки представляют собой оценки по рубрикам; только явные правильные или неправильные ответы RECALL могут влиять на границу отсечения чистого воспоминания.
Диагностика поведения
4 диагностикиОбоснование оценки судьи
Никакого отдельного обоснования судьи для этого заархивированного результата не сохранилось.
Никакого отдельного обоснования судьи для этого заархивированного результата не сохранилось.
Никакого отдельного обоснования судьи для этого заархивированного результата не сохранилось.
Никакого отдельного обоснования судьи для этого заархивированного результата не сохранилось.
Примечание по историческому эталону: в этом архивированном общем рейтинге версии 1.4 использовалась прежняя фиксированная диагностическая агрегация. Он сохраняется для воспроизводимости и не должен интерпретироваться как показатель соответствия модели v1.5.
Временные доказательства
0 RECALL зондыХронология чистого воспоминания
Фактический набор вопросов был перетасован перед запросом тестируемой модели. Отсутствие мест для поколений не является воздержанием модели. График реконструирует целевые месяцы для проверки. Только явные ответы RECALL являются отсекающими доказательствами; ВЫВОД, УГАДАЙТЕ и НЕИЗВЕСТНО остаются видимыми, но не перемещают границу.
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
✓ правильный ОТЗЫВ✕ неправильный НАПОМИНАТЬ~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0правильный ОТЗЫВ
0неправильный НАПОМИНАТЬ
Временное сравнение
CONSISTENTСравнение границ знаний
Эталонная граница2025-05ESTIMATED_WEB · 0%
Последняя поддерживаемая версия RECALL—0 подходящие ответы RECALL
Наблюдаемая границаНедостаточно доказательств RECALLINSUFFICIENT_RECALL_EVIDENCE
Выравнивание обрезкиCONSISTENT88/100 · 80% уверенность
Судья отмечает
- 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.
Источники эталонной отсечки
Семантический: правильный 20 · неправильный 4 · неизвестный 0. Исключено из исключения: 0.
Поведенческая идентичность
CONSISTENT · 82%Сигналы идентичности
Идентичность выводится из соответствия между заявленной моделью и наблюдаемым профилем знаний/ответов. Это свидетельство, а не удаленная аттестация или криптографическое подтверждение весов обслуживания.
Позитивные сигналы
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Негативные сигналы
- 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.
Обоснование личности судьи
- 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.
Ответ протестированной модели
Дословно извлеченный текст модели
Архивированная сводка
Этот запуск предшествует сохранению полного отчета по согласию. Задание, ключ ответа и нормализованная оценка судьи доступны, но точный текст ответа протестированной модели был намеренно исключен из этой политики конфиденциальности эпохи эталонных тестов.
Полный список тестов
Доказательства по каждому вопросу
Все принятые вопросы показаны с указанием ожидаемого ответа, доступного источника, основы проверенной модели, семантического вердикта и приемлемости для исключения. Неклассифицированные вопросы не являются образцовым воздержанием. Правильное ПРЕДПОЛОЖЕНИЕ или ВЫВОД остаются правильными семантически, но исключаются из доказательств, ограничивающих чистое припоминание.
✕K01UNKNOWNисключен из отсечения
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Ожидаемый ответOblique SevilleSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: WRONGЗаявленная уверенность: 75%
Примечание судьи: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNисключен из отсечения
Which team won the UEFA Women's Euro 2025 final?
Ожидаемый ответEnglandSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: WRONGЗаявленная уверенность: 85%
Примечание судьи: Expected England; answered Spain.
✓K03UNKNOWNисключен из отсечения
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Ожидаемый ответmpoxSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches mpox.
✓K04UNKNOWNисключен из отсечения
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Ожидаемый ответAlphaFold 3Source ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches AlphaFold 3.
✓K05UNKNOWNисключен из отсечения
What model did OpenAI release as a unified system with built-in thinking?
Ожидаемый ответGPT-5Source ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 90%
Примечание судьи: Matches GPT-5.
✓K06UNKNOWNисключен из отсечения
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Ожидаемый ответWindowsSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Microsoft Windows is accepted.
✕K07UNKNOWNисключен из отсечения
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Ожидаемый ответOdysseusSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: WRONGЗаявленная уверенность: 80%
Примечание судьи: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNисключен из отсечения
What was the name of Japan's lunar lander that successfully reached the Moon?
Ожидаемый ответSLIMSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches SLIM.
✓K09UNKNOWNисключен из отсечения
Who became the first private astronaut to perform a spacewalk?
Ожидаемый ответJared IsaacmanSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches Jared Isaacman.
✓K10UNKNOWNисключен из отсечения
Which country was appointed host of the 2034 FIFA World Cup?
Ожидаемый ответSaudi ArabiaSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches Saudi Arabia.
✓K11UNKNOWNисключен из отсечения
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Ожидаемый ответMare CrisiumSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 90%
Примечание судьи: Matches Mare Crisium.
✓K12UNKNOWNисключен из отсечения
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Ожидаемый ответDeepSeek-R1Source ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches DeepSeek-R1.
✓K13UNKNOWNисключен из отсечения
What was the name of the second malaria vaccine prequalified by WHO?
Ожидаемый ответR21/Matrix-MSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 90%
Примечание судьи: Matches R21/Matrix-M.
✓K14UNKNOWNисключен из отсечения
Which album won Album of the Year at the 67th Grammy Awards?
Ожидаемый ответCowboy CarterSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches Cowboy Carter.
✓K15UNKNOWNисключен из отсечения
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Ожидаемый ответ523Source ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 85%
Примечание судьи: Matches 523.
✓K16UNKNOWNисключен из отсечения
How many grams of lunar material did the Chang'e-6 mission collect?
Ожидаемый ответ1,935.3 gramsSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 90%
Примечание судьи: Matches 1,935.3 grams.
✓K17UNKNOWNисключен из отсечения
Which rocket launched NASA's Europa Clipper spacecraft?
Ожидаемый ответFalcon HeavySource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches Falcon Heavy.
✓K18UNKNOWNисключен из отсечения
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Ожидаемый ответGaia BH3Source ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 90%
Примечание судьи: Matches Gaia BH3.
✕K19UNKNOWNисключен из отсечения
Who was awarded the 2025 Nobel Peace Prize?
Ожидаемый ответMaria Corina MachadoSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: WRONGЗаявленная уверенность: 70%
Примечание судьи: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNисключен из отсечения
What annual climate-finance goal for developing countries did COP29 set for 2035?
Ожидаемый ответUS$300 billion per yearSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 90%
Примечание судьи: Matches $300 billion per year.
✓K21UNKNOWNисключен из отсечения
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Ожидаемый ответFram2Source ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 90%
Примечание судьи: Matches Fram2.
✓K22UNKNOWNисключен из отсечения
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Ожидаемый ответArticle 19Source ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 75%
Примечание судьи: Matches Article 19.
✓K23UNKNOWNисключен из отсечения
Which new Mario Kart game launched alongside Nintendo Switch 2?
Ожидаемый ответMario Kart WorldSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches Mario Kart World.
✓K24UNKNOWNисключен из отсечения
What model did OpenAI introduce with a 128K context window at its first DevDay?
Ожидаемый ответGPT-4 TurboSource ↗
Ответ проверенной модели—Точный отклик модели не был сохранен для этого архивного прогона.
Вердикт судьи: CORRECTЗаявленная уверенность: 95%
Примечание судьи: Matches GPT-4 Turbo.
Освещение вопросов и исследовательские заметки
Фактические вопросы: 24 · Не оценивается судьей: 0
Ограничения по ссылкам и цитаты предоставляются судьей и не подтверждаются независимо платформой. Примечания к исследованию не наказывают тестируемую модель.
Запустить метаданные
Детали воспроизводимости
Идентификатор запуска
0B0HVDB2FRJEJC90BRG4D7JV1YКонтрольный показатель
model-verification-single-request-v1.2Судить
gpt-5.6-solЗапрошенный протокол
openai_chatОбнаруженная схема ответа
Legacy / not recordedСовместимость протоколов
МАТЧ / наследиеВыходные данные модели
Not recordedВходные токены
Not recordedВыходные токены
Not recordedЗавершить причину
Not recordedСтатус HTTP
200Внешняя задержка
88,304 msБайты ответа
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dВажное ограничение
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.
Проведите независимую проверку
Проверьте ту же конечную точку самостоятельно или просмотрите другие общедоступные отчеты, прежде чем полагаться на рекламируемую модель.