Javno poročilo o preverjanju modela AI
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Podedovana ocena kakovosti87/100
CONSISTENT82% ocenjevalno zaupanje
Stalno poročilo
https://model-gate.com/sl/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YAnaliza ocenjevalca
Zakaj je to preverjanje dobilo rezultat
Javno poročilo odraža analitične dokaze, prikazane preizkuševalcu po /chat/verify. Ocene sodnikov so ocene rubrik; samo eksplicitni pravilni ali napačni odgovori RECALL lahko vplivajo na mejo čistega priklica.
Diagnostika vedenja
4 diagnostikaUtemeljitev sodnikovega točkovanja
Za ta arhivirani rezultat ni bila ohranjena nobena ločena sodniška utemeljitev.
Za ta arhivirani rezultat ni bila ohranjena nobena ločena sodniška utemeljitev.
Za ta arhivirani rezultat ni bila ohranjena nobena ločena sodniška utemeljitev.
Za ta arhivirani rezultat ni bila ohranjena nobena ločena sodniška utemeljitev.
Zgodovinska primerjalna opomba: ta arhivirana splošna ocena v1.4 je uporabljala prejšnje fiksno diagnostično združevanje. Ohranimo ga zaradi ponovljivosti in ga ne smemo razlagati kot oceno ujemanja modela v1.5.
Časovni dokazi
0 ODPOKLIC sondČasovnica čistega odpoklica
Dejanski niz vprašanj je bil premešan pred zahtevo testiranega modela. Manjkajoča generacijska mesta niso abstinenca modela. Časovnica rekonstruira njihove ciljne mesece za revizijo. Samo eksplicitni odgovori ODKLIC so izključni dokazi; SKLEPANJE, UGETANJE in NEZNANO ostanejo vidni, vendar ne premaknejo meje.
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
✓ pravilen ODPOKLIC✕ napačen ODPOKLIC~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0pravilen ODPOKLIC
0napačen ODPOKLIC
Časovna primerjava
CONSISTENTPrimerjava meje znanja
Referenčna meja2025-05ESTIMATED_WEB · 0%
Zadnji podprti RECALL—0 primerni odgovori RECALL
Opazovana mejaNezadostni dokazi ODKLICINSUFFICIENT_RECALL_EVIDENCE
Poravnava izrezaCONSISTENT88/100 · 80% zanesljivost
Opombe ocenjevalca
- 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.
Referenčni mejni viri
Semantična: pravilno 20 · napačno 4 · neznano 0. Izključeno iz odreza: 0.
Vedenjska identiteta
CONSISTENT · 82%Signali identitete
Identiteta se sklepa iz skladnosti med zahtevanim modelom in opazovanim profilom znanja/odgovorov. To je dokaz, ne potrdilo na daljavo ali kriptografski dokaz o uteži serviranja.
Pozitivni signali
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Negativni signali
- 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.
Utemeljitev identitete sodnika
- 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.
Odziv preizkušenega modela
Dobesedno izvlečeno besedilo modela
Objavljena ocena
Na voljo so izziv, ključ odgovora in normalizirana sodniška ocena. Natančno besedilo testiranega modela ni na voljo za objavo, razen če je bilo ohranjeno s privolitvijo preizkuševalca. Objava ocene ne ustvari tega soglasja ali obnovi zavrženega besedila.
Popolni primerjalni seznam
Dokazi od vprašanja do vprašanja
Vsa sprejeta vprašanja so prikazana s pričakovanim odgovorom, razpoložljivim virom, osnovo preizkušenega modela, semantično razsodbo in mejno primernostjo. Neocenjena vprašanja niso vzorčna vzdržanost. Pravilno UGETANJE ali SKLEPANJE ostane pomensko pravilno, vendar je izključeno iz mejnih dokazov čistega priklica.
✕K01UNKNOWNizključeno iz odreza
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Pričakovan odgovorOblique SevilleSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: WRONGPrijavljeno zaupanje: 75%
Opomba ocenjevalca: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNizključeno iz odreza
Which team won the UEFA Women's Euro 2025 final?
Pričakovan odgovorEnglandSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: WRONGPrijavljeno zaupanje: 85%
Opomba ocenjevalca: Expected England; answered Spain.
✓K03UNKNOWNizključeno iz odreza
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Pričakovan odgovormpoxSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches mpox.
✓K04UNKNOWNizključeno iz odreza
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Pričakovan odgovorAlphaFold 3Source ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches AlphaFold 3.
✓K05UNKNOWNizključeno iz odreza
What model did OpenAI release as a unified system with built-in thinking?
Pričakovan odgovorGPT-5Source ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 90%
Opomba ocenjevalca: Matches GPT-5.
✓K06UNKNOWNizključeno iz odreza
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Pričakovan odgovorWindowsSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Microsoft Windows is accepted.
✕K07UNKNOWNizključeno iz odreza
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Pričakovan odgovorOdysseusSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: WRONGPrijavljeno zaupanje: 80%
Opomba ocenjevalca: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNizključeno iz odreza
What was the name of Japan's lunar lander that successfully reached the Moon?
Pričakovan odgovorSLIMSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches SLIM.
✓K09UNKNOWNizključeno iz odreza
Who became the first private astronaut to perform a spacewalk?
Pričakovan odgovorJared IsaacmanSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches Jared Isaacman.
✓K10UNKNOWNizključeno iz odreza
Which country was appointed host of the 2034 FIFA World Cup?
Pričakovan odgovorSaudi ArabiaSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches Saudi Arabia.
✓K11UNKNOWNizključeno iz odreza
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Pričakovan odgovorMare CrisiumSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 90%
Opomba ocenjevalca: Matches Mare Crisium.
✓K12UNKNOWNizključeno iz odreza
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Pričakovan odgovorDeepSeek-R1Source ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches DeepSeek-R1.
✓K13UNKNOWNizključeno iz odreza
What was the name of the second malaria vaccine prequalified by WHO?
Pričakovan odgovorR21/Matrix-MSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 90%
Opomba ocenjevalca: Matches R21/Matrix-M.
✓K14UNKNOWNizključeno iz odreza
Which album won Album of the Year at the 67th Grammy Awards?
Pričakovan odgovorCowboy CarterSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches Cowboy Carter.
✓K15UNKNOWNizključeno iz odreza
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Pričakovan odgovor523Source ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 85%
Opomba ocenjevalca: Matches 523.
✓K16UNKNOWNizključeno iz odreza
How many grams of lunar material did the Chang'e-6 mission collect?
Pričakovan odgovor1,935.3 gramsSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 90%
Opomba ocenjevalca: Matches 1,935.3 grams.
✓K17UNKNOWNizključeno iz odreza
Which rocket launched NASA's Europa Clipper spacecraft?
Pričakovan odgovorFalcon HeavySource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches Falcon Heavy.
✓K18UNKNOWNizključeno iz odreza
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Pričakovan odgovorGaia BH3Source ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 90%
Opomba ocenjevalca: Matches Gaia BH3.
✕K19UNKNOWNizključeno iz odreza
Who was awarded the 2025 Nobel Peace Prize?
Pričakovan odgovorMaria Corina MachadoSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: WRONGPrijavljeno zaupanje: 70%
Opomba ocenjevalca: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNizključeno iz odreza
What annual climate-finance goal for developing countries did COP29 set for 2035?
Pričakovan odgovorUS$300 billion per yearSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 90%
Opomba ocenjevalca: Matches $300 billion per year.
✓K21UNKNOWNizključeno iz odreza
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Pričakovan odgovorFram2Source ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 90%
Opomba ocenjevalca: Matches Fram2.
✓K22UNKNOWNizključeno iz odreza
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Pričakovan odgovorArticle 19Source ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 75%
Opomba ocenjevalca: Matches Article 19.
✓K23UNKNOWNizključeno iz odreza
Which new Mario Kart game launched alongside Nintendo Switch 2?
Pričakovan odgovorMario Kart WorldSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches Mario Kart World.
✓K24UNKNOWNizključeno iz odreza
What model did OpenAI introduce with a 128K context window at its first DevDay?
Pričakovan odgovorGPT-4 TurboSource ↗
Odgovor preizkušenega modela—Natančen odgovor modela ni na voljo za objavo.
Sklep ocenjevalca: CORRECTPrijavljeno zaupanje: 95%
Opomba ocenjevalca: Matches GPT-4 Turbo.
Pokritost vprašanj in raziskovalne opombe
Stvarna vprašanja: 24 · Sodnik ni ocenil: 0
Reference cutoff and citations are supplied by the judge, not independently confirmed by the platform. Opombe raziskave ne kaznujejo testiranega modela.
Zaženi metapodatke
Podrobnosti o ponovljivosti
ID izvajanja
0B0HVDB2FRJEJC90BRG4D7JV1YBenchmark
model-verification-single-request-v1.2Ocenjevalni model
gpt-5.6-solZahtevani protokol
openai_chatZaznana odzivna shema
Legacy / not recordedZdružljivost protokola
VŽIGALICA / zapuščinaIzhod modela
Not recordedVhodni žetoni
Not recordedIzhodni žetoni
Not recordedRazlog zaključka
Not recordedHTTP status
200Zunanja zakasnitev
88,304 msOdzivni bajti
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dPomembna omejitev
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.
Izvedite neodvisno preverjanje
Sami preizkusite isto končno točko ali prebrskajte druga javna poročila, preden se zanesete na oglaševano identiteto modela.