Aller au contenu
Heure mondialeEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portail sur l'IA et la technologieactualités · analyses · entretiens · fond technique

Rechercher
EN DIRECT
›

Une date de sortie n'est pas une date limite d'entraînement : comment lire un nouveau modèle d'IA

Dix des 20 modèles d'IA actuels d'un tableau de suivi publié le 16 septembre 2026 affichent une date limite d'entraînement que leur laboratoire publie réellement. L'écart entre cette date et celle de la sortie, voilà ce que les articles de lancement passent sous silence.

IA & modèlesExpliquéSophie LeclercPublié le: 28 septembre 20265 min de lectureSources 1
Une date de sortie n'est pas une date limite d'entraînement : comment lire un nouveau modèle d'IA

Le tableau de suivi se trouve sur stale.jock.pl et a été publié sur Hacker News le 16 septembre 2026. Il recense 20 modèles issus de 8 laboratoires. Deux dates accompagnent chacun : la date de sortie et la date limite d'entraînement, c'est-à-dire le moment où le modèle a cessé de lire. Les deux compteurs avancent en direct à partir de ces dates.

Onze des 20 lignes affichent « Non établie ». Ce n'est pas la même chose que « jamais publiée ». La page précise qu'une case vide signifie que les sources vérifiées chez l'éditeur n'ont pas permis d'établir de date limite pour ce modèle. Il faut donc lire le tableau avec prudence : il n'affirme rien sur ce que les laboratoires divulguent ou non.

Ce que mesurent réellement les deux dates

La date de sortie est celle où le laboratoire a livré le modèle. Les titres la reprennent, et les billets sur les benchmarks commencent par elle. La date limite d'entraînement est celle où le modèle a cessé de lire. L'écart entre les deux montre à quel point le modèle était déjà en retard le jour du lancement, avant qu'un seul utilisateur ait tapé quoi que ce soit. La page donne un exemple net. GPT-6 Astra est sorti le 3 septembre 2026, et ses données d'entraînement s'arrêtent au 30 avril 2026. Cela fait environ quatre mois d'absence intégrés dès le lancement. Les dates du tableau viennent de documents des laboratoires, et chaque nom de modèle renvoie au document d'où la date a été tirée.

Certaines lignes creusent l'écart. Gemini 3.1 Pro, de Google DeepMind, est donné pour une sortie le 19 février 2026 et une date limite de janvier 2025, plus d'un an. Llama 4 de Meta affiche une sortie le 5 avril 2025 face à une date limite d'août 2024. Claude Sonnet 5 d'Anthropic affiche le 30 juin 2026 face à janvier 2026. Tous les écarts ne sont pas grands. Grok 4.7 de xAI, sorti le 21 septembre 2026, porte une date limite de mai 2026. Claude Opus 5.5, sorti le 22 septembre 2026, porte juin 2026.

Cinq laboratoires, dix modèles et beaucoup de cases vides

Selon la page, 5 des 8 laboratoires ont une date limite publiée pour au moins un modèle listé : Anthropic, Google DeepMind, Meta, OpenAI et xAI. Trois laboratoires, Alibaba, DeepSeek et Mistral AI, n'ont aucun modèle sur la page avec une date limite établie. Qwen3.8-Max et Qwen3.8-Flash d'Alibaba, V4-Pro et V4.1-Flash de DeepSeek, ainsi que Large 3, Small 4 et Medium 3.5 de Mistral sont tous indiqués comme non établis. C'est un manque de divulgation, pas un jugement de performance. Le tableau de suivi ne dit pas que ces modèles sont moins bons ou plus anciens. Il dit que les sources consultées n'ont pas livré de date limite.

Cela compte pour la lecture des benchmarks. Une campagne de test est un instantané de ce qu'un modèle sait faire sur un jeu de tâches. Ces jeux sont écrits par des gens qui savent ce qui s'est passé jusqu'à une certaine date. Si la date limite du modèle est plus ancienne que le benchmark, une partie de ce qui ressemble à du raisonnement peut être de la restitution. Si elle est plus récente, le benchmark mesure peut-être la capacité du modèle à traiter des éléments présents dans ses données d'entraînement.

Le tableau de suivi ne formule pas cet argument directement. Il en avance un plus étroit : on ne peut pas évaluer l'actualité sans connaître la date limite. Pour la moitié des modèles de la page, cette date n'est pas publiée.

Le bouton de recherche n'y remédie pas

La recherche web est la réponse habituelle à un modèle périmé. La page conteste cette idée, chiffres à l'appui. Sur plus de 2 000 appels portant sur 16 modèles, chacun disposant d'un outil de recherche web, les modèles de pointe ont presque toujours décidé correctement s'il fallait chercher. Les modèles plus faibles ont énoncé comme acquis des faits qui avaient changé sans vérifier, et ont cherché sur le web des choses comme le point d'ébullition de l'eau.

La recherche doit aussi être déclenchée par le modèle, avec les mêmes poids que ceux qui portent le fait périmé, si bien que les ratés tombent exactement là où le modèle se sent le plus sûr.

Voilà le mécanisme que le tableau de suivi désigne. Un outil de recherche n'est utile que si le modèle reconnaît qu'il en a besoin. Cette reconnaissance tourne sur les mêmes poids que ceux qui portent la croyance dépassée. La page note aussi que la recherche ne met rien à jour. Le modèle lit quelques pages, s'en sert dans cette réponse, puis oublie. Ouvrez une nouvelle conversation et l'on est de nouveau en avril.

L'illustration de la page est une question sur le roi de Norvège posée à 16 modèles disposant d'un bouton de recherche. Elle indique que cinq ont nommé un homme mort. C'est une anecdote tirée d'une campagne plus large, pas un benchmark publié avec une section méthodologie. Il faut la lire comme telle.

À quoi sert réellement le tableau de suivi

Le site fournit un export models.json contenant la date de sortie, la date limite publiée et un lien vers la source pour les 20 modèles. Il fournit aussi un bloc de texte destiné à être collé dans le fichier d'instructions d'un agent, le AGENTS.md ou le CLAUDE.md que les agents de codage lisent déjà. Ce texte demande à l'agent de récupérer le JSON avant de présenter un modèle, une version ou une date comme actuels. La page avance l'argument sans détour : un modèle est une mauvaise source sur les modèles. Demandez à un modèle sa propre date limite d'entraînement : un modèle bien élevé répond ou dit qu'il n'est pas sûr. Un modèle qui invente une date avec assurance vous a appris quelque chose sur lui-même.

Pour qui lit un article de lancement cette semaine, la version pratique est courte. Vérifiez si le laboratoire a publié une date limite. Vérifiez son ancienneté par rapport à la date de sortie. Traitez une date limite manquante comme une information manquante, pas comme un certificat de bonne santé. Ne supposez pas qu'un outil de recherche comble un écart que le modèle doit décider d'ouvrir.

Le tableau de suivi lui-même est une page unique avec une liste fixe, mise à jour quand l'offre bouge. Ce n'est pas un benchmark et il ne note pas les modèles. C'est une table de dates avec des compteurs, et les dates sont tout l'intérêt.

Commentaires 0

Sources

1
  1. 01How stale is your AI? Release age and training cutoff for 20 modelsEN

Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.

Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.

Sophie Leclerc

Sophie Leclerc

IA, modèles et technologies

Sophie Leclerc couvre les technologies, l'IA et les modèles ainsi que les médias et l'internet pour FLASH24, en travaillant à partir des dépôts de code, des articles scientifiques et des documents techniques plutôt que des annonces. Elle vérifie chaque chiffre en remontant aux jeux de données d'origine et en comparant les versions successives des modèles. Elle interroge régulièrement des ingénieurs et des chercheurs, et suit les calendriers de publication des principales conférences du secteur. Son intérêt personnel pour l'auto-hébergement et les réseaux domestiques nourrit directement sa couverture des infrastructures et des modèles ouverts. Elle ne publie pas de performance annoncée sans méthode de mesure vérifiable.

Rédaction →

Commentaires

0
  1. Aucun commentaire — soyez le premier.

Écrire un commentaire

Les commentaires sont publics. Nous ne publions ni insultes, ni spam, ni publicité.