Verejná správa o overení modelu AI
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Staršie skóre kvality87/100
CONSISTENT82% dôvera v hodnotenie
Stála správa
https://model-gate.com/sk/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YAnalýza sudcu
Prečo toto overenie dostalo svoj výsledok
Verejná správa odzrkadľuje analytické dôkazy zobrazené testerovi po /chat/verify. Skóre sudcov sú hodnotenia rubriky; iba explicitné správne alebo nesprávne odpovede RECALL môžu ovplyvniť hranicu čistého stiahnutia.
Diagnostika správania
4 diagnostikaZdôvodnenie bodovania rozhodcu
Pre tento archivovaný výsledok nebolo zachované žiadne samostatné zdôvodnenie sudcu.
Pre tento archivovaný výsledok nebolo zachované žiadne samostatné zdôvodnenie sudcu.
Pre tento archivovaný výsledok nebolo zachované žiadne samostatné zdôvodnenie sudcu.
Pre tento archivovaný výsledok nebolo zachované žiadne samostatné zdôvodnenie sudcu.
Poznámka k historickému benchmarku: toto archivované celkové skóre verzie 1.4 využívalo bývalú fixnú diagnostickú agregáciu. Zachováva sa kvôli reprodukovateľnosti a nesmie sa interpretovať ako skóre zhody modelu v1.5.
Časový dôkaz
0 RECALL sondyČistá časová os
Skutočný súbor otázok bol zamiešaný pred požiadavkou testovaného modelu. Chýbajúce generačné sloty nie sú modelovým zdržaním sa hlasovania. Časová os rekonštruuje ich cieľové mesiace pre auditovateľnosť. Iba explicitné odpovede RECALL sú hraničným dôkazom; INFERENCE, GUESS a UNKNOWN zostávajú viditeľné, ale neposúvajú hranicu.
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
✓ správne RECALL✕ nesprávne RECALL~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0správne RECALL
0nesprávne RECALL
Časové porovnanie
CONSISTENTPorovnanie hranice vedomostí
Referenčná hranica2025-05ESTIMATED_WEB · 0%
Najnovšie podporované RECALL—0 oprávnené odpovede RECALL
Pozorovaná hranicaNedostatočné dôkazy RECALLINSUFFICIENT_RECALL_EVIDENCE
Cutoff zarovnanieCONSISTENT88/100 · 80% dôvera
Sudca poznamenáva
- 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.
Referenčné medzné zdroje
Sémantický: správne 20 · nesprávne 4 · neznámy 0. Vylúčené z prerušenia: 0.
Behaviorálna identita
CONSISTENT · 82%Signály identity
Identita sa odvodzuje z konzistentnosti medzi nárokovaným modelom a pozorovaným profilom vedomostí/odpovedí. Je to dôkaz, nie diaľkové potvrdenie alebo kryptografický dôkaz o hmotnosti podávania.
Pozitívne signály
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Negatívne signály
- 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.
Zdôvodnenie identity sudcu
- 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.
Odozva testovaného modelu
Doslovne extrahovaný text modelu
Archivované zhrnutie
Toto spustenie predchádzalo uchovaniu úplného prehľadu prihlásením. Výzva, kľúč odpovedí a normalizované hodnotenie sudcu sú k dispozícii, ale presný text odpovede testovaného modelu bol zámerne vyradený z pravidiel ochrany osobných údajov z éry porovnávania.
Kompletný zoznam benchmarkov
Dôkazy otázka po otázke
Všetky prijaté otázky sú zobrazené s očakávanou odpoveďou, dostupným zdrojom, základom testovaného modelu, sémantickým verdiktom a oprávnenosťou na obmedzenie. Nehodnotené otázky nie sú modelovým zdržaním sa hlasovania. Správny GUESS alebo INFERENCE zostáva sémanticky správny, ale je vylúčený z čistého dôkazu o medznej hodnote stiahnutia.
✕K01UNKNOWNvylúčené z prerušenia
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Očakávaná odpoveďOblique SevilleSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: WRONGHlásená dôvera: 75%
Poznámka sudcu: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNvylúčené z prerušenia
Which team won the UEFA Women's Euro 2025 final?
Očakávaná odpoveďEnglandSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: WRONGHlásená dôvera: 85%
Poznámka sudcu: Expected England; answered Spain.
✓K03UNKNOWNvylúčené z prerušenia
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Očakávaná odpoveďmpoxSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches mpox.
✓K04UNKNOWNvylúčené z prerušenia
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Očakávaná odpoveďAlphaFold 3Source ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches AlphaFold 3.
✓K05UNKNOWNvylúčené z prerušenia
What model did OpenAI release as a unified system with built-in thinking?
Očakávaná odpoveďGPT-5Source ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 90%
Poznámka sudcu: Matches GPT-5.
✓K06UNKNOWNvylúčené z prerušenia
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Očakávaná odpoveďWindowsSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Microsoft Windows is accepted.
✕K07UNKNOWNvylúčené z prerušenia
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Očakávaná odpoveďOdysseusSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: WRONGHlásená dôvera: 80%
Poznámka sudcu: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNvylúčené z prerušenia
What was the name of Japan's lunar lander that successfully reached the Moon?
Očakávaná odpoveďSLIMSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches SLIM.
✓K09UNKNOWNvylúčené z prerušenia
Who became the first private astronaut to perform a spacewalk?
Očakávaná odpoveďJared IsaacmanSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches Jared Isaacman.
✓K10UNKNOWNvylúčené z prerušenia
Which country was appointed host of the 2034 FIFA World Cup?
Očakávaná odpoveďSaudi ArabiaSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches Saudi Arabia.
✓K11UNKNOWNvylúčené z prerušenia
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Očakávaná odpoveďMare CrisiumSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 90%
Poznámka sudcu: Matches Mare Crisium.
✓K12UNKNOWNvylúčené z prerušenia
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Očakávaná odpoveďDeepSeek-R1Source ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches DeepSeek-R1.
✓K13UNKNOWNvylúčené z prerušenia
What was the name of the second malaria vaccine prequalified by WHO?
Očakávaná odpoveďR21/Matrix-MSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 90%
Poznámka sudcu: Matches R21/Matrix-M.
✓K14UNKNOWNvylúčené z prerušenia
Which album won Album of the Year at the 67th Grammy Awards?
Očakávaná odpoveďCowboy CarterSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches Cowboy Carter.
✓K15UNKNOWNvylúčené z prerušenia
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Očakávaná odpoveď523Source ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 85%
Poznámka sudcu: Matches 523.
✓K16UNKNOWNvylúčené z prerušenia
How many grams of lunar material did the Chang'e-6 mission collect?
Očakávaná odpoveď1,935.3 gramsSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 90%
Poznámka sudcu: Matches 1,935.3 grams.
✓K17UNKNOWNvylúčené z prerušenia
Which rocket launched NASA's Europa Clipper spacecraft?
Očakávaná odpoveďFalcon HeavySource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches Falcon Heavy.
✓K18UNKNOWNvylúčené z prerušenia
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Očakávaná odpoveďGaia BH3Source ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 90%
Poznámka sudcu: Matches Gaia BH3.
✕K19UNKNOWNvylúčené z prerušenia
Who was awarded the 2025 Nobel Peace Prize?
Očakávaná odpoveďMaria Corina MachadoSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: WRONGHlásená dôvera: 70%
Poznámka sudcu: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNvylúčené z prerušenia
What annual climate-finance goal for developing countries did COP29 set for 2035?
Očakávaná odpoveďUS$300 billion per yearSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 90%
Poznámka sudcu: Matches $300 billion per year.
✓K21UNKNOWNvylúčené z prerušenia
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Očakávaná odpoveďFram2Source ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 90%
Poznámka sudcu: Matches Fram2.
✓K22UNKNOWNvylúčené z prerušenia
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Očakávaná odpoveďArticle 19Source ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 75%
Poznámka sudcu: Matches Article 19.
✓K23UNKNOWNvylúčené z prerušenia
Which new Mario Kart game launched alongside Nintendo Switch 2?
Očakávaná odpoveďMario Kart WorldSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches Mario Kart World.
✓K24UNKNOWNvylúčené z prerušenia
What model did OpenAI introduce with a 128K context window at its first DevDay?
Očakávaná odpoveďGPT-4 TurboSource ↗
Odpoveď testovaného modelu—Pre tento archivovaný cyklus sa nezachovala presná odpoveď modelu.
Verdikt sudcu: CORRECTHlásená dôvera: 95%
Poznámka sudcu: Matches GPT-4 Turbo.
Pokrytie otázok a výskumné poznámky
Faktické otázky: 24 · Nehodnotené sudcom: 0
Referenčný limit a citácie poskytuje sudca, platforma ich nezávisle nepotvrdzuje. Výskumné poznámky nepenalizujú testovaný model.
Spustite metadáta
Podrobnosti o reprodukovateľnosti
Spustiť ID
0B0HVDB2FRJEJC90BRG4D7JV1YBenchmark
model-verification-single-request-v1.2sudca
gpt-5.6-solPožadovaný protokol
openai_chatSchéma zistenej odozvy
Legacy / not recordedKompatibilita protokolov
MATCH / dedičstvoVýstup modelu
Not recordedVstupné tokeny
Not recordedVýstupné tokeny
Not recordedDokončiť dôvod
Not recordedStav HTTP
200Vonkajšia latencia
88,304 msByty odpovede
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dDôležité obmedzenie
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.
Spustite nezávislé overenie
Otestujte si ten istý koncový bod sami alebo si prezrite iné verejné správy predtým, ako sa spoľahnete na inzerovanú identitu modelu.