Javno poročilo o preverjanju modela AI
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Podedovana ocena kakovosti100/100
PLAUSIBLE60% ocenjevalno zaupanje
Stalno poročilo
https://model-gate.com/sl/model-verification/results/A57ZK57ERM62N3S1XETMXFKK0XAnaliza sodnika
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.
Mesečna časovnica ni na voljo za ta arhivirani primerjalni rezultat.
✓ pravilen ODPOKLIC✕ napačen ODPOKLIC~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0pravilen ODPOKLIC
0napačen ODPOKLIC
Časovna primerjava
UNKNOWNPrimerjava meje znanja
Referenčna mejaUNKNOWNUNKNOWN · 0%
Zadnji podprti RECALL—0 primerni odgovori RECALL
Opazovana mejaNezadostni dokazi ODKLICINSUFFICIENT_RECALL_EVIDENCE
Poravnava izrezaUNKNOWN0% zaupanje
Opombe sodnika
- All Class A items are correct through June 2024, establishing an observed lower bound but no upper bound.
- The immutable reference snapshot has no known cutoff dates, so cutoff alignment cannot be scored.
Semantična: pravilno 16 · narobe 0 · neznano 0. Izključeno iz odreza: 0.
Vedenjska identiteta
PLAUSIBLE · 60%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
- Perfect performance across all supplied Class A recall items.
- Correct recall of multiple DeepSeek model releases and specifications.
- No systematic early knowledge failures.
Negativni signali
- No documented canonical identity or cutoff is available in the reference snapshot.
- Cutoff consistency cannot be evaluated.
- Self-report and matching API metadata are weak identity evidence.
Utemeljitev identitete sodnika
- The response is fully correct on all 16 strong-recall questions, including the DeepSeek-specific history items.
- The observed knowledge extends through June 2024, but the reference cutoff is unknown and therefore provides no identity-comparison signal.
- The claimed name and API identifier agree, but both are untrusted metadata and do not prove model identity.
Odziv preizkušenega modela
Dobesedno izvlečeno besedilo modela
Arhiviran povzetek
Ta zagon je bil pred zadrževanjem celotnega poročila. Izziv, ključ odgovora in normalizirana sodniška ocena so na voljo, vendar je bilo besedilo odgovora natančen preizkušeni model namerno zavrženo s tem pravilnikom o zasebnosti iz primerjalnega obdobja.
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
Which human Go player was AlphaGo's opponent in the three-game match completed on 2017-05-27?
Pričakovan odgovorKe Jie
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer Ke Jie.
✓K02UNKNOWNizključeno iz odreza
The first published image of a black hole, announced on 2019-04-10, depicted the black hole in which galaxy?
Pričakovan odgovorMessier 87
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: M87 galaxy is semantically equivalent to Messier 87.
✓K03UNKNOWNizključeno iz odreza
Which two scientists were awarded the 2020 Nobel Prize in Chemistry for developing a method for genome editing?
Pričakovan odgovorEmmanuelle Charpentier and Jennifer A. Doudna
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Both required scientists are correctly named.
✓K04UNKNOWNizključeno iz odreza
Which research organization developed the AlphaFold2 system whose CASP14 performance was announced on 2020-11-30?
Pričakovan odgovorDeepMind
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer DeepMind.
✓K05UNKNOWNizključeno iz odreza
Which launch vehicle carried the James Webb Space Telescope into space on 2021-12-25?
Pričakovan odgovorAriane 5
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer Ariane 5.
✓K06UNKNOWNizključeno iz odreza
What was the name of the asteroid moonlet struck by NASA's DART spacecraft on 2022-09-26?
Pričakovan odgovorDimorphos
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer Dimorphos.
✓K07UNKNOWNizključeno iz odreza
In which ocean did the Artemis I Orion capsule splash down on 2022-12-11?
Pričakovan odgovorPacific Ocean
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer Pacific Ocean.
✓K08UNKNOWNizključeno iz odreza
On 2023-03-01, OpenAI made an API available for which speech-recognition model?
Pričakovan odgovorWhisper
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer Whisper.
✓K09UNKNOWNizključeno iz odreza
What was the name of the Chandrayaan-3 lander that reached the lunar surface on 2023-08-23?
Pričakovan odgovorVikram
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer Vikram.
✓K10UNKNOWNizključeno iz odreza
Samples from which asteroid were returned to Earth by the OSIRIS-REx capsule on 2023-09-24?
Pričakovan odgovorBennu
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer Bennu.
✓K11UNKNOWNizključeno iz odreza
What was the name of the code-focused model family publicly introduced by DeepSeek on 2023-11-02?
Pričakovan odgovorDeepSeek Coder
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: DeepSeek-Coder is an accepted spelling.
✓K12UNKNOWNizključeno iz odreza
What two parameter scales were offered in the DeepSeek LLM family announced on 2023-11-29?
Pričakovan odgovor7B and 67B
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Both parameter scales match: 7B and 67B.
✓K13UNKNOWNizključeno iz odreza
How many total parameters and how many activated parameters per token did DeepSeek-V2 have when announced on 2024-05-06?
Pričakovan odgovor236B total parameters and 21B activated parameters per token
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Correctly gives 236B total and 21B activated per token.
✓K14UNKNOWNizključeno iz odreza
What maximum context length was supported by DeepSeek-Coder-V2 when announced on 2024-06-17?
Pričakovan odgovor128K tokens
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer 128K tokens.
✓K15UNKNOWNizključeno iz odreza
Which company built the Odysseus lunar lander that touched down on 2024-02-22?
Pričakovan odgovorIntuitive Machines
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Matches accepted answer Intuitive Machines.
✓K16UNKNOWNizključeno iz odreza
What two parameter sizes were offered for the initially released Llama 3 models announced on 2024-04-18?
Pričakovan odgovor8B and 70B
Odgovor preizkušenega modela—Natančen odziv modela ni bil ohranjen za to arhivirano izvedbo.
Razsodba sodnika: CORRECTPrijavljeno zaupanje: 100%
Opomba sodnika: Both initially released sizes match: 8B and 70B.
Pokritost vprašanj in raziskovalne opombe
Stvarna vprašanja: 16 · 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
Run ID
A57ZK57ERM62N3S1XETMXFKK0XBenchmark
model-verification-single-request-v1.1sodnik
gpt-5.6-solZahtevani protokol
openai_chatZaznana odzivna shema
Legacy / not recordedZdružljivost protokola
VŽIGALICA / zapuščinaIzhod modela
Not recordedVhodni žetoni
Not recordedIzhodni žetoni
Not recordedKončni razlog
Not recordedHTTP status
200Zunanja zakasnitev
28,645 msOdzivni bajti
1,859SHA-256
4c1f5cca4a79a53f28e7f6544bfe08208148d53c85569f50c4132e161da06613Pomembna omejitev
The reference cutoff is the configured judge model's internal-knowledge snapshot for this run, not an independently verified 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.