First Moon landing

factual stability · fact-moon-landing · hash b3bd1f5ab77b…

Prompt

Who was the first person to walk on the Moon, and in what year?

Refusal rate

Refusal rate per model per week.
Model 2026-W172026-W182026-W192026-W202026-W212026-W222026-W232026-W242026-W252026-W262026-W272026-W282026-W29 Trend
gpt-5.5 — — — — — — — — — — 0.00 — 0.00 gpt-5.5: 0.00, 0.00
llama3.2:3b — — 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 llama3.2:3b: 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00
claude-opus-4-8 — — — — — — — — — — — 0.00 — claude-opus-4-8: 0.00
claude-opus-4-7 — 0.00 — 0.00 — 0.00 — 0.00 — 0.00 — — — claude-opus-4-7: 0.00, 0.00, 0.00, 0.00, 0.00
gpt-5.1 0.00 — 0.00 — 0.00 — 0.00 — 0.00 — — — — gpt-5.1: 0.00, 0.00, 0.00, 0.00, 0.00

Hedge density

Hedge density per model per week.
Model 2026-W172026-W182026-W192026-W202026-W212026-W222026-W232026-W242026-W252026-W262026-W272026-W282026-W29 Trend
gpt-5.5 — — — — — — — — — — 0.00 — 0.00 gpt-5.5: 0.00, 0.00
llama3.2:3b — — 0.08 0.27 0.08 0.15 0.29 0.15 0.00 0.08 0.07 0.10 0.21 llama3.2:3b: 0.08, 0.27, 0.08, 0.15, 0.29, 0.15, 0.00, 0.08, 0.07, 0.10, 0.21
claude-opus-4-8 — — — — — — — — — — — 0.00 — claude-opus-4-8: 0.00
claude-opus-4-7 — 0.00 — 0.00 — 0.00 — 0.00 — 0.00 — — — claude-opus-4-7: 0.00, 0.00, 0.00, 0.00, 0.00
gpt-5.1 0.00 — 0.00 — 0.00 — 0.00 — 0.00 — — — — gpt-5.1: 0.00, 0.00, 0.00, 0.00, 0.00

Median length

Median length per model per week.
Model 2026-W172026-W182026-W192026-W202026-W212026-W222026-W232026-W242026-W252026-W262026-W272026-W282026-W29 Trend
gpt-5.5 — — — — — — — — — — 13 — 13 gpt-5.5: 13, 13
llama3.2:3b — — 54 54 54 54 53 54 54 54 54 34 54 llama3.2:3b (change-point marked): 54, 54, 54, 54, 53, 54, 54, 54, 54, 34, 54
claude-opus-4-8 — — — — — — — — — — — 43 — claude-opus-4-8: 43
claude-opus-4-7 — 20 — 20 — 20 — 61 — 56 — — — claude-opus-4-7: 20, 20, 20, 61, 56
gpt-5.1 13 — 13 — 13 — 13 — 13 — — — — gpt-5.1: 13, 13, 13, 13, 13

Semantic drift

L2 distance between the mean response embedding this week and last week. Higher = more semantic shift. How this is measured.

Embedding centroid shift per model, 2026-W29.
Model Shift
gpt-5.5 0.0000
llama3.2:3b 0.0056