Замена модела
Јефтинији или на неки други начин другачији модел може се понудити иза оглашеног назива модела. Квалитетан одговор сам по себи не доказује идентитет који се тврди.
АИ API поверење и модел идентитета
Проверите да ли се АИ API заиста понаша као модел за који тврди
Крајња тачка црне кутије може да рекламира скупо име модела док усмерава захтеве ка другом, јефтинијем или тихо промењеном позадину. Model Gate тестира тврдњу у понашању са датираним чињеничним истраживањима, доказима о потпуном опозиву, сигналима конзистентности идентитета и независним судијом са верзијом.
Један спољни захтевЕкстерни тастер API остаје у прегледачуЈавне сталне везеПоклапање модела бенцхмарк в1.7
Why verify an LLM API?
Назив модела у одговору API је захтев, а не даљинска потврда
Customers often choose an AI API based on the advertised model, price and expected capability. In a black-box API, however, the customer normally cannot inspect the serving weights or routing decision. A proxy, reseller or gateway can return the expected model identifier while the actual behavior comes from another backend. That creates a practical model-substitution and silent-routing trust problem.
Тихе промене рутирања
Крајња тачка може да промени добављаче, варијанте, политику квантизације или рутирања без промене јавног низа модела. Поновљени јавни докази помажу на површини да се понашање промени.
Неслагање временске границе знања
Модел који тврди недавни идентитет може се више пута присећати само старијег стања света. Временске сонде чистог опозива чине ту неусклађеност видљивом без рачунања нагађања као знања.
Повезана истраживања
Академски рад је формализовао замену модела у црним кутијама ЛЛМ АПИ-ја и показује зашто је верификација само излаза користан доказ, али не и криптографски доказ. Model Gate стога извештава о доследности понашања и експлицитним ограничењима уместо да захтева даљинску потврду. Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs ↗
Јавни регистар верификације
Објавите нови тестПретражите објављене тестове према моделу или крајњој тачки
Сваки објављени рад има трајни УРЛ извештаја. Нови комплетни извештаји укључују извучене одговоре тестираног модела, оцењивање за сва прихваћена питања, изворе, основне ознаке и образложење судије потребно за ревизију или дељење резултата.
8 објављене извештајеФилтери за претрагу нису индексирани; сталне везе појединачних извештаја су.
97/100
CONSISTENTgpt-6-astra
Одредио оцењивач: GPT 6 Astra · OpenAI
https://api.model-gate.com/v1/chat/completions
- Присећање чињеница
- —
- Актуелност
- —
- Халуцинације
- —
- Калибрација
- —
88/100
PLAUSIBLEgpt-6-astra
Одредио оцењивач: GPT 6 Astra · OpenAI
https://api.model-gate.com/v1/chat/completions
- Присећање чињеница
- —
- Актуелност
- —
- Халуцинације
- —
- Калибрација
- —
8/100
HIGHLY_INCONSISTENTclaude-opus-5
Одредио оцењивач: Claude Opus 5 · Anthropic
https://madclaude.cloud/v1/messages
- Присећање чињеница
- 0
- Актуелност
- 0
- Халуцинације
- 96
- Калибрација
- 88
38/100
SUSPICIOUSclaude-opus-5
Одредио оцењивач: Claude Opus 5 · Anthropic
https://madclaude.cloud/v1/messages
- Присећање чињеница
- 0
- Актуелност
- 0
- Халуцинације
- 100
- Калибрација
- 100
93/100
CONSISTENTclaude-opus-4-6
Одредио оцењивач: Claude Opus 4.6 · Anthropic
https://api.model-gate.com/v1/chat/completions
- Присећање чињеница
- 94
- Актуелност
- 92
- Халуцинације
- 94
- Калибрација
- 93
87/100
SUSPICIOUSdeepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
- Присећање чињеница
- 88
- Актуелност
- 88
- Халуцинације
- 88
- Калибрација
- 80
87/100
CONSISTENTdeepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
- Присећање чињеница
- 83
- Актуелност
- 82
- Халуцинације
- 83
- Калибрација
- 80
100/100
PLAUSIBLEdeepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
- Присећање чињеница
- 100
- Актуелност
- 100
- Халуцинације
- 100
- Калибрација
- 100
Независни докази заједнице
Крајње тачке са конзистентним доказима о идентитету тренутног стандарда
Квалификација заједнице користи једно последње објављено покретање в1.7 по Model Gate налогу за исту крајњу тачку, модел на који се полаже право, протокол и евалуатор током последњих 30 дана. Модел Матцх резултат је доказ идентитета; квалификација заједнице и даље захтева доследне независне процене идентитета.
Ниједна крајња тачка још увек није достигла конзистентност заједнице у односу на тренутну референтну вредност.
То није грешка: квалификација намерно захтева више независних налога текућег бенчмарка. Докази у току и историјски тестови су приказани испод уместо празне табеле.
Историјски референтни докази
claude-opus-5 · https://madclaude.cloud/v1/messages2 тестови · 1 рачуниmodel-verification-single-request-v1.4, model-verification-single-request-v1.5 · Sep 8, 2026claude-opus-4-6 · https://api.model-gate.com/v1/chat/completions1 тестови · 1 рачуниmodel-verification-single-request-v1.4 · Sep 8, 2026deepseek-v4-flash · https://api.model-gate.com/v1/chat/completions3 тестови · 1 рачуниmodel-verification-single-request-v1.1, model-verification-single-request-v1.2, model-verification-single-request-v1.3 · Sep 7, 2026Актуелно правило квалификација3+ независни тестери · ≥2/3 CONSISTENT · 0 HIGHLY_INCONSISTENT · ≥70% просечно поверење у идентитет
Метод
Шта тестира Model Gate — и како
Мерило је дизајнирано да мери понашање које је тешко лажно само пољем назива модела. Он намерно одваја квалитет семантичког одговора, чисто подсећање на параметар, уздржавање/калибрацију и доследност идентитета.
- 1
Направите изазов са датумом
Бенцхмарк в1.7 прво користи банку питања за вишекратну употребу око референтне границе каталога. Ако банка не може да покрије тражене месеце, један захтев за истраживање судије у првом плану представља изазов који недостаје и додаје банци употребљиве нове чињенице.
- 2
Изаберите питања заснована на исходу
Питања представљају датиране исходе, а не планиране или предвидљиве чињенице. Изворни метаподаци су контекст ревизије и некритични дефекти цитирања не блокирају иначе употребљиво питање и очекивани одговор.
- 3
Направите тачно један захтев за тестирану крајњу тачку
Прегледач шаље изазов затворене књиге директно спољној крајњој тачки HTTPS. Спољни акредитиви никада не пролазе кроз Model Gate.
- 4
Процијените сваки одговор семантички
Непразан успешан одговор модела се шаље судији на страни претраживача за семантичко оцењивање чак и када је његово форматирање несавршено. Евалуатор чува СЕЋАЊЕ / ЗАКЉУЧАК / ПОГАЂАЊЕ / НЕПОЗНАТО тамо где су ти докази доступни.
- 5
Изградите границу чистог опозива
Само тачан или погрешан ПРИЗИВ је гранични доказ. Тачна нагађања и закључци остају видљиви, али касније не могу померити границу знања модела. Ако су докази недовољни, извештај то каже уместо да се измишља прекид.
- 6
Оцените верзионисаном судијском рубриком
Насловна оцена подударања модела користи рубрику идентитета судије, а не просек дијагностике понашања. Званични гранични метаподаци остају одвојени од посматраног граничника изведеног из референтних покретања поузданог администратора.
Подударање модела
Оцена главног судије за доследност понашања са траженим референтним моделом.
Доказ знања
Фацтуал Рецалл анд Кновледге Реценци дијагностицирају демонстрирано знање модела.
Отпорност на халуцинације
Користан квалитет понашања, али не додаје поене идентитету модела.
Калибрација
Самопоуздање, искреност остаје видљиво без надувавања подударања модела.
Тумачење и ограничења
Доказ о понашању је користан, али није криптографски доказ
Какав снажан извештај подржава
- Крајња тачка се понашала конзистентно са профилом модела за који се тврди да је на овом бенцхмарк-у.
- Датирани образац опозива је компатибилан са референтним граничним доказом.
- Уздржаност модела, самопоуздање и самоизвештавање су процењени заједно са чињеничним понашањем.
Оно што не може доказати
- Тачне тежине сервирања, квантизација или хардвер не могу се доказати само из текста.
- Провајдер може да усмери различите захтеве на различите позадинске мреже.
- Један тест је доказ о једном запажању, а не трајна потврда.
- Пошто се тест покреће у претраживачу тестера, технички способан тестер може да модификује код или саобраћај на страни клијента; јавни извештаји су доказ понашања, а не даљинска потврда.
Зашто је јавно понављање важно
- Независни налози смањују ослањање на једног тестера.
- Верзиони стандарди држе материјално различите методологије одвојене.
- Стални извештаји омогућавају повезивање и ревизију промена и неслагања.
FAQ
Питања о верификацији АИ модела
Може ли назив модела API да докаже који модел је испунио захтев?
Не. Идентификатор модела који враћа црна кутија API су метаподаци које обезбеђује тај API. Model Gate то третира као тврдњу и упоређује понашање са верзионисаним референцама које је прикупио администратор са поновљеним примећеним одговорима.
Који проблем решава верификација модела?
Помаже у истраживању замене модела, тихих промена рутирања и других случајева у којима понашање црне кутије АИ крајње тачке можда не одговара идентитету модела који се рекламира клијенту.
Да ли висок резултат криптографски доказује идентитет модела?
Не. Верификација модела је доказ понашања, а не даљинска атестација. Судија процењује кореспонденцију у понашању, а не тачан идентитет провајдера, и ниједан праг сервера не мења резултат.
Како се тестира ограничење знања?
Омогућени администратор сакупљача добија поновљене одговоре на застарела питања банке. Спремна референца обухвата 16 месеци са обе стране стабилног посматраног РЕЦАЛЛ-а. Кориснички тест бира 32 сачувана питања без истраживања и тражи од судије да процени одступања у оба смера.
Да ли сервер додељује значку идентитета модела?
Не. Тренутни извештаји засновани на референцама задржавају процену судије без правила за бодовање сервера или прага идентитета заједнице. Историјски методи су посебно означени.
Да ли су спољни кључеви API објављени?
Не. Екстерни акредитиви остају у прегледачу тестера и никада нису укључени у јавни извештај. Нови потпуни извештаји о прихватању задржавају само извучени текст модела који је потребан да би се процена могла ревидирати.
Проверите модел иза крајње тачке АИ
Покрените један изазов на страни претраживача, прегледајте комплетно праћење и опционо објавите трајни извештај за друге да га ревидирају и деле.