Neue KI-Modelle überholen ihre eigenen Trainingsdaten
Zehn der 20 aktuellen KI-Modelle, die der Aktualitätstracker stale.jock.pl listet, tragen einen Trainings-Cutoff, den ihr Labor tatsächlich veröffentlicht. Mehrere davon kamen Monate nach dem Datum auf den Markt, das in ihrer eigenen Ankündigung steht.

Die Seite wurde am 16. September auf Hacker News gepostet und führt pro Modell zwei Daten: den Tag, an dem das Labor es auslieferte, und den Tag, an dem es aufhörte zu lesen. Sie listet 20 Modelle aus 8 Laboren und zählt von jedem Datum an live im Browser hoch.
Die Lücke ist die Geschichte. GPT-6 Astra, am 3. September 2026 von OpenAI veröffentlicht, hat einen Trainings-Cutoff vom 30. April 2026. Das Schwestermodell GPT-6 Sol erschien am 22. September mit einem Cutoff vom 20. April, GPT-6 Luna am selben Tag mit einem Cutoff vom 18. Mai. Claude Opus 5.5 von Anthropic, veröffentlicht am 22. September, endet im Juni 2026. Claude Sonnet 5, draußen seit 30. Juni, hörte im Januar auf zu lesen.
Für die Hälfte der Liste lautet die Antwort schlicht: unbekannt. Large 3, Small 4 und Medium 3.5 von Mistral AI, Qwen3.8-Max und Qwen3.8-Flash von Alibaba, Muse Glimmer und Muse Spark 1.3 von Meta, V4-Pro und V4.1-Flash von DeepSeek sowie Gemini 3.8 Flash von Google DeepMind zeigen keinen gesicherten Cutoff. Die Seite bleibt bei der Deutung vorsichtig: Eine Lücke heißt, dass die geprüften Herstellerquellen nichts hergaben, nicht dass das Labor nie einen Cutoff veröffentlicht hat.
Warum das Datum mehr zählt als die Versionsnummer
Die Seite formuliert es selbst deutlich. Ein Modell kann im September erscheinen und trotzdem im April aufgehört haben zu lesen. Am ersten Tag liegt es damit fünf Monate zurück, bevor überhaupt jemand einen Prompt eintippt.
Suchwerkzeuge lösen das nicht, heißt es auf der Seite. Wenn ein Modell sucht, liest es ein paar Seiten, nutzt sie für eine Antwort und vergisst sie wieder. Wer einen neuen Chat öffnet, hat den alten Cutoff zurück. Auch die Entscheidung, ob überhaupt gesucht wird, fällt auf denselben Gewichten, in denen die veraltete Tatsache steckt. Fehler passieren also dort, wo das Modell am sichersten ist. Die Seite will das über 2.000 Aufrufe an 16 Modellen gemessen haben, jedes mit einem Web-Suchwerkzeug ausgestattet. Frontier-Modelle entschieden fast immer richtig, schwächere nannten überholte Fakten als gesichert und suchten im Netz nach dem Siedepunkt von Wasser.
Ich gab 16 KI-Modellen einen Suchknopf und fragte, wer der König von Norwegen ist. Fünf nannten einen Toten.
Das ist der Satz der Seite, und er zeigt das Problem am klarsten. Ein Modell, das nicht weiß, dass ein Monarch gestorben ist, wird kaum zuverlässig beschließen, nachzusehen.
Der Ausweg richtet sich an Agenten, nicht an Menschen
Die Seite veröffentlicht dieselben Daten als models.json, mit Veröffentlichungsdatum, veröffentlichtem Cutoff und einem Quellenlink pro Modell. Sie schlägt vor, einen kurzen Anweisungsblock in eine AGENTS.md- oder CLAUDE.md-Datei einzufügen, damit ein Agent die Daten abruft, bevor er ein Modell als aktuell bezeichnet.
Bei den Laboren sind die veröffentlichten Cutoffs ungleich verteilt. Fünf der acht Labore, Anthropic, Google DeepMind, Meta, OpenAI und xAI, haben für mindestens ein Modell der Liste einen Cutoff veröffentlicht. Zehn der 20 Modelle tragen einen. Der Rest nicht.
Die Seite bietet außerdem einen groben Selbsttest: Man fragt das Modell nach seinem eigenen Trainings-Cutoff. Wer antwortet oder Unsicherheit einräumt, verhält sich richtig. Wer ein selbstsicheres Datum erfindet, hat etwas verraten. Die Warnung der Seite: Ein Modell ist eine schlechte Quelle über Modelle, also gleicht die Antwort mit der Tabelle ab, statt ihr zu glauben.
Quellen
1Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.