Neue KI-Modelle überholen ihre eigenen Trainingsdaten

Die Seite wurde am 16. September bei Hacker News eingestellt. Sie verfolgt zwei Daten pro Modell: den Tag, an dem das Labor es auslieferte, und den Tag, an dem es aufhörte zu lesen. Aufgelistet sind 20 Modelle aus 8 Labors. Von jedem Datum an zählt die Seite 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, erschienen am 30. Juni, hörte im Januar auf zu lesen.

Für die Hälfte der Liste ist die Antwort schlicht unbekannt. Mistral AIs Large 3, Small 4 und Medium 3.5, Alibabas Qwen3.8-Max und Qwen3.8-Flash, Metas Muse Glimmer und Muse Spark 1.3, DeepSeeks V4-Pro und V4.1-Flash sowie Google DeepMinds Gemini 3.8 Flash zeigen keinen gesicherten Cutoff. Die Seite ist vorsichtig, was das bedeutet: Eine Leerstelle ist das, was die geprüften Herstellerquellen nicht belegen konnten. Sie ist kein Beweis dafür, dass das Labor nie einen veröffentlicht hat.

Warum das Datum mehr zählt als die Versionsnummer

Die Seite formuliert es selbst ohne Umschweife. Ein Modell kann im September erscheinen und trotzdem im April aufhören zu lesen. Damit liegt es am Starttag fünf Monate zurück, bevor jemand einen Prompt hineintippt.

Suchwerkzeuge lösen das nicht, heißt es auf der Seite. Wenn ein Modell sucht, liest es ein paar Seiten, nutzt sie in einer Antwort und vergisst sie. Öffnet man einen neuen Chat, ist der Cutoff wieder da. Auch die Entscheidung über die Auslösung läuft auf denselben Gewichten, die den veralteten Fakt tragen. Fehler landen also dort, wo das Modell am sichersten ist. Die Seite gibt an, dies über 2.000 Aufrufe bei 16 Modellen gemessen zu haben, jedem mit einem Web-Suchwerkzeug ausgestattet: Spitzenmodelle entschieden fast jedes Mal richtig, schwächere nannten geklärte Fakten, die sich geändert hatten, und suchten im Web 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 die eigene Formulierung der Seite, und sie zeigt das Problem am klarsten. Ein Modell, das nicht weiß, dass ein Monarch gestorben ist, wird nicht zuverlässig beschließen, nachzusehen.

Der Workaround zielt auf Agenten, nicht auf 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 ihn abruft, bevor er ein Modell als aktuell bezeichnet.

Auf der Laborseite sind die veröffentlichten Cutoffs uneinheitlich. Fünf der acht Labors, Anthropic, Google DeepMind, Meta, OpenAI und xAI, haben einen veröffentlichten Cutoff für mindestens ein Modell in der Liste. 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. Eines, das antwortet oder Unsicherheit einräumt, verhält sich richtig. Eines, das ein sicheres Datum erfindet, hat einem etwas verraten. Die Warnung der Seite lautet, dass ein Modell eine schlechte Quelle zu Modellen ist. Man solle die Antwort an der Tabelle prüfen, statt ihr zu vertrauen.