Извештај о верификацији јавног АИ модела
deepseek-v4-flash
https://api.model-gate.com/v1/chat/completions
Оцена квалитета наслеђа87/100
CONSISTENT82% поузданост процене
Стални извештај
https://model-gate.com/sr/model-verification/results/0B0HVDB2FRJEJC90BRG4D7JV1YАнализа оцењивача
Зашто је ова верификација добила свој резултат
Јавни извештај одражава аналитичке доказе приказане тестеру након /цхат/верифи. Оцене судија су оцене по рубрикама; само експлицитни тачни или погрешни РЕЦАЛЛ одговори могу утицати на граничну границу чистог присећања.
Дијагностика понашања
4 дијагностикаОбразложење за бодовање судија
За овај архивирани резултат није задржано посебно образложење судије.
За овај архивирани резултат није задржано посебно образложење судије.
За овај архивирани резултат није задржано посебно образложење судије.
За овај архивирани резултат није задржано посебно образложење судије.
Историјска бенцхмарк белешка: овај архивирани укупни резултат в1.4 користио је некадашњу фиксну дијагностичку агрегацију. Задржава се ради поновљивости и не сме се тумачити као резултат подударања модела в1.5.
Временски докази
0 РЕЦАЛЛ сондеВременска линија чистог опозива
Стварни скуп питања је измешан пре захтева за тестирани модел. Недостајућа генерацијска места нису уздржани модел. Временски оквир реконструише њихове циљне месеце ради провере. Само експлицитни одговори на РЕЦАЛЛ су гранични доказ; ЗАКЉУЧАК, ПОГАЂАЊЕ и НЕПОЗНАТО остају видљиви, али не померају 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
✓ исправно РЕЦАЛЛ✕ погрешно РЕЦАЛЛ~ INFERENCE≈ GUESS? UNKNOWN
0RECALL
0INFERENCE
0GUESS
0UNKNOWN
0исправно РЕЦАЛЛ
0погрешно РЕЦАЛЛ
Временско поређење
CONSISTENTПоређење граница знања
Референтна граница2025-05ESTIMATED_WEB · 0%
Најновији подржани РЕЦАЛЛ—0 квалификовани одговори на РЕЦАЛЛ
Уочена границаНедовољни докази ПОЗИВАЊАINSUFFICIENT_RECALL_EVIDENCE
Цутофф АлигнментCONSISTENT88/100 · 80% поузданост
Напомене оцењивача
- 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.
Референтни гранични извори
Семантички: тачно 20 · нетачно 4 · непознато 0. Искључено из прекида: 0.
Идентитет понашања
CONSISTENT · 82%Сигнали идентитета
Идентитет се закључује из конзистентности између модела који се тврди и посматраног профила знања/одговора. То је доказ, а не даљинска потврда или криптографски доказ тежине сервирања.
Позитивни сигнали
- Excellent recall across late 2023 through May 2025.
- Correct near-cutoff answer for the WHO Pandemic Agreement.
- No pattern of early knowledge degradation.
Негативни сигнали
- 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.
Образложење идентитета судије
- 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.
Одговор тестираног модела
Дословно извучен текст модела
Објављена оцена
Доступни су кључ изазова, одговор и нормализована оцена судије. Тачан текст тестираног модела није доступан за објављивање осим ако није задржан уз сагласност тестера. Објављивање процене не ствара ту сагласност нити враћа одбачени текст.
Комплетна листа референтних вредности
Докази питање по питање
Сва прихваћена питања су приказана са очекиваним одговором, доступним извором, основом тестираног модела, семантичком пресудом и граничном подобношћу. Неоцењена питања нису модел уздржаних. Тачна ПОГОДИНА или ЗАКЉУЧАК остаје тачна семантички, али је искључена из доказа о прекиду чистог присећања.
✕K01UNKNOWNискључено из одсецања
Who won the men's 100 metres at the World Athletics Championships in Tokyo?
Очекивани одговорOblique SevilleSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: WRONGПријављено поверење: 75%
Напомена оцењивача: Expected Oblique Seville; answered Kishane Thompson.
✕K02UNKNOWNискључено из одсецања
Which team won the UEFA Women's Euro 2025 final?
Очекивани одговорEnglandSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: WRONGПријављено поверење: 85%
Напомена оцењивача: Expected England; answered Spain.
✓K03UNKNOWNискључено из одсецања
Which disease's African upsurge did WHO declare a public health emergency of international concern?
Очекивани одговорmpoxSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches mpox.
✓K04UNKNOWNискључено из одсецања
What molecular-structure prediction model did Google DeepMind and Isomorphic Labs introduce?
Очекивани одговорAlphaFold 3Source ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches AlphaFold 3.
✓K05UNKNOWNискључено из одсецања
What model did OpenAI release as a unified system with built-in thinking?
Очекивани одговорGPT-5Source ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 90%
Напомена оцењивача: Matches GPT-5.
✓K06UNKNOWNискључено из одсецања
Which operating system was affected by the faulty CrowdStrike Falcon content update?
Очекивани одговорWindowsSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Microsoft Windows is accepted.
✕K07UNKNOWNискључено из одсецања
What was the nickname of Intuitive Machines' Nova-C lander that touched down on the Moon?
Очекивани одговорOdysseusSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: WRONGПријављено поверење: 80%
Напомена оцењивача: Expected Odysseus; Odie is not an accepted answer.
✓K08UNKNOWNискључено из одсецања
What was the name of Japan's lunar lander that successfully reached the Moon?
Очекивани одговорSLIMSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches SLIM.
✓K09UNKNOWNискључено из одсецања
Who became the first private astronaut to perform a spacewalk?
Очекивани одговорJared IsaacmanSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches Jared Isaacman.
✓K10UNKNOWNискључено из одсецања
Which country was appointed host of the 2034 FIFA World Cup?
Очекивани одговорSaudi ArabiaSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches Saudi Arabia.
✓K11UNKNOWNискључено из одсецања
In which lunar mare did Firefly Aerospace's Blue Ghost land?
Очекивани одговорMare CrisiumSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 90%
Напомена оцењивача: Matches Mare Crisium.
✓K12UNKNOWNискључено из одсецања
What model did DeepSeek begin serving through its deepseek-reasoner endpoint?
Очекивани одговорDeepSeek-R1Source ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches DeepSeek-R1.
✓K13UNKNOWNискључено из одсецања
What was the name of the second malaria vaccine prequalified by WHO?
Очекивани одговорR21/Matrix-MSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 90%
Напомена оцењивача: Matches R21/Matrix-M.
✓K14UNKNOWNискључено из одсецања
Which album won Album of the Year at the 67th Grammy Awards?
Очекивани одговорCowboy CarterSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches Cowboy Carter.
✓K15UNKNOWNискључено из одсецања
How many European Parliament members voted in favor of the Artificial Intelligence Act?
Очекивани одговор523Source ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 85%
Напомена оцењивача: Matches 523.
✓K16UNKNOWNискључено из одсецања
How many grams of lunar material did the Chang'e-6 mission collect?
Очекивани одговор1,935.3 gramsSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 90%
Напомена оцењивача: Matches 1,935.3 grams.
✓K17UNKNOWNискључено из одсецања
Which rocket launched NASA's Europa Clipper spacecraft?
Очекивани одговорFalcon HeavySource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches Falcon Heavy.
✓K18UNKNOWNискључено из одсецања
What designation was given to the newly identified 33-solar-mass stellar black hole in the Milky Way?
Очекивани одговорGaia BH3Source ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 90%
Напомена оцењивача: Matches Gaia BH3.
✕K19UNKNOWNискључено из одсецања
Who was awarded the 2025 Nobel Peace Prize?
Очекивани одговорMaria Corina MachadoSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: WRONGПријављено поверење: 70%
Напомена оцењивача: Expected Maria Corina Machado; answered an institution.
✓K20UNKNOWNискључено из одсецања
What annual climate-finance goal for developing countries did COP29 set for 2035?
Очекивани одговорUS$300 billion per yearSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 90%
Напомена оцењивача: Matches $300 billion per year.
✓K21UNKNOWNискључено из одсецања
What was the name of the first human spaceflight to orbit over Earth's polar regions?
Очекивани одговорFram2Source ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 90%
Напомена оцењивача: Matches Fram2.
✓K22UNKNOWNискључено из одсецања
Under which article of the WHO Constitution was the Pandemic Agreement adopted?
Очекивани одговорArticle 19Source ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 75%
Напомена оцењивача: Matches Article 19.
✓K23UNKNOWNискључено из одсецања
Which new Mario Kart game launched alongside Nintendo Switch 2?
Очекивани одговорMario Kart WorldSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches Mario Kart World.
✓K24UNKNOWNискључено из одсецања
What model did OpenAI introduce with a 128K context window at its first DevDay?
Очекивани одговорGPT-4 TurboSource ↗
Одговор на тестираном моделу—Тачан одговор модела није доступан за објављивање.
Оцена модела: CORRECTПријављено поверење: 95%
Напомена оцењивача: Matches GPT-4 Turbo.
Покривеност питања и белешке о истраживању
Питања о чињеницама: 24 · Није оцењен од стране судије: 0
Референтне границе и цитате даје судија, а не независно потврђено од стране платформе. Истраживачке белешке не кажњавају тестирани модел.
Покрени метаподатке
Детаљи о поновљивости
ID извршавања
0B0HVDB2FRJEJC90BRG4D7JV1YБенчмарк
model-verification-single-request-v1.2Модел за оцењивање
gpt-5.6-solТражени протокол
openai_chatОткривена шема одговора
Legacy / not recordedКомпатибилност протокола
УТАКМИЦА / легатИзлаз модела
Not recordedУлазни токени
Not recordedИзлазни токени
Not recordedРазлог завршетка
Not recordedСтатус HTTP
200Екстерно кашњење
88,304 msБајтови одговора
2,460SHA-256
f22e63d94e67fbd4fdfa25a27a37ae4b3402f94fc6801d14c2a4e638f85cfd9dВажно ограничење
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.
Покрените независну верификацију
Сами тестирајте исту крајњу тачку или прегледајте друге јавне извештаје пре него што се ослоните на оглашени идентитет модела.