Vai al contenuto
Ora nel mondoEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portale su IA e tecnologiaeventi · analisi · interviste · approfondimenti tecnici

Cerca
LIVE
›

La data di rilascio non è la training cutoff: come leggere un nuovo modello AI

Dieci dei 20 modelli AI attuali elencati in un tracker pubblicato il 16 settembre 2026 riportano una training cutoff che il laboratorio pubblica davvero. Il divario tra quella data e la data di rilascio è la parte che i pezzi di lancio saltano.

IA e modelliSpiegatoChiara RomanoPubblicato: 28 settembre 20265 min di letturaFonti 1
La data di rilascio non è la training cutoff: come leggere un nuovo modello AI

Il tracker si trova su stale.jock.pl ed è stato pubblicato su Hacker News il 16 settembre 2026. Elenca 20 modelli di 8 laboratori. Accanto a ciascuno ci sono due date: la data di rilascio e la training cutoff, il momento in cui il modello ha smesso di leggere. Entrambi i contatori salgono in tempo reale a partire da quelle date.

Undici delle 20 righe riportano "Not established". Non è lo stesso di "mai pubblicata". La pagina spiega che uno spazio vuoto significa che le fonti del fornitore controllate non hanno stabilito una cutoff per quel modello. La tabella va quindi letta con attenzione: non è un'affermazione su cosa i laboratori divulgano o non divulgano.

Cosa misurano davvero le due date

La data di rilascio è quando il laboratorio ha distribuito il modello. I titoli la riportano e i post sui benchmark la mettono in apertura. La training cutoff è quando il modello ha smesso di leggere. La distanza tra le due mostra quanto il modello fosse già indietro il giorno del lancio, prima che un solo utente scrivesse qualcosa. La pagina offre un esempio limpido. GPT-6 Astra è uscito il 3 settembre 2026 e i suoi dati di addestramento si fermano al 30 aprile 2026. Sono circa quattro mesi di assenza già incorporati al lancio. Le date nella tabella vengono dai documenti dei laboratori e ogni nome di modello rimanda al documento da cui la data è stata presa.

Alcune righe allargano il divario. Gemini 3.1 Pro, di Google DeepMind, è elencato con un rilascio il 19 febbraio 2026 e una cutoff di gennaio 2025, più di un anno. Llama 4 di Meta mostra un rilascio il 5 aprile 2025 contro una cutoff di agosto 2024. Claude Sonnet 5 di Anthropic mostra il 30 giugno 2026 contro gennaio 2026. Non tutti i divari sono ampi. Grok 4.7 di xAI, rilasciato il 21 settembre 2026, ha una cutoff di maggio 2026. Claude Opus 5.5, rilasciato il 22 settembre 2026, ha giugno 2026.

Cinque laboratori, dieci modelli e molti spazi vuoti

Secondo la pagina, 5 degli 8 laboratori hanno una cutoff pubblicata per almeno un modello elencato: Anthropic, Google DeepMind, Meta, OpenAI e xAI. Tre laboratori, Alibaba, DeepSeek e Mistral AI, non hanno sulla pagina nessun modello con una cutoff stabilita. Qwen3.8-Max e Qwen3.8-Flash di Alibaba, V4-Pro e V4.1-Flash di DeepSeek, e Large 3, Small 4 e Medium 3.5 di Mistral sono tutti indicati come non stabiliti. È un vuoto informativo, non un giudizio sulle prestazioni. Il tracker non dice che quei modelli sono peggiori o più vecchi. Dice che le fonti controllate non hanno prodotto una data di cutoff.

Questo conta quando si leggono i benchmark. Un'esecuzione di benchmark è un'istantanea di ciò che un modello sa fare su una serie di attività. Le serie di attività sono scritte da persone che sanno cosa è successo fino a una certa data. Se la cutoff di un modello è più vecchia del benchmark, parte di ciò che sembra ragionamento può essere ricordo. Se la cutoff è più recente, il benchmark può misurare la capacità del modello di gestire materiale che era nei suoi dati di addestramento.

Il tracker non sostiene direttamente questa tesi. Ne sostiene una più ristretta: non si può valutare l'attualità senza conoscere la cutoff. Per metà dei modelli sulla pagina, la cutoff non è pubblicata.

Il pulsante di ricerca non risolve il problema

La ricerca web è la risposta abituale a un modello datato. La pagina contesta questa idea e porta numeri. Oltre 2000 chiamate su 16 modelli, a ciascuno dei quali era stato dato uno strumento di ricerca web, i modelli di frontiera hanno deciso correttamente quasi ogni volta se cercare. I modelli più deboli hanno affermato fatti consolidati che erano cambiati senza controllare, e hanno cercato sul web cose come il punto di ebollizione dell'acqua.

La ricerca deve anche essere attivata dal modello, usando gli stessi pesi che contengono il fatto datato, quindi gli errori cadono esattamente dove il modello si sente più sicuro.

È il meccanismo che il tracker indica. Uno strumento di ricerca è utile solo se il modello riconosce di averne bisogno. Quel riconoscimento gira sugli stessi pesi che contengono la convinzione superata. La pagina nota anche che la ricerca non aggiorna nulla. Il modello legge qualche pagina, le usa in quella risposta e dimentica. Apri una nuova chat ed è di nuovo aprile.

L'illustrazione della pagina è una domanda sul re di Norvegia posta a 16 modelli dotati di un pulsante di ricerca. Dice che cinque hanno nominato un uomo morto. È un aneddoto singolo tratto da un'esecuzione più ampia, non un benchmark pubblicato con una sezione metodologica. Va letto così.

A cosa serve davvero il tracker

Il sito fornisce un export models.json con la data di rilascio, la cutoff pubblicata e un link alla fonte per tutti i 20 modelli. Fornisce anche un blocco di testo da incollare nel file di istruzioni di un agente, l'AGENTS.md o il CLAUDE.md che gli agenti di coding leggono già. Quel testo dice all'agente di scaricare il JSON prima di indicare qualsiasi modello, versione o data come attuale. La pagina fa l'argomento senza giri di parole: un modello è una fonte scarsa sui modelli. Chiedi a un modello la propria training cutoff e uno ben educato risponde o dice di non essere sicuro. Uno che inventa una data con sicurezza ti ha detto qualcosa di sé.

Per chiunque legga un post di lancio questa settimana, la versione pratica è breve. Controlla se il laboratorio ha pubblicato una cutoff. Controlla quanto è vecchia rispetto alla data di rilascio. Tratta una cutoff mancante come informazione mancante, non come una patente di affidabilità. Non dare per scontato che uno strumento di ricerca colmi un divario che il modello deve decidere di aprire.

Il tracker stesso è una singola pagina con un elenco fisso, aggiornata quando la scaffalatura si muove. Non è un benchmark e non assegna punteggi ai modelli. È una tabella di date con contatori, e le date sono il punto.

Commenti 0

Fonti

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

Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.

I contenuti sono stati preparati dalla redazione con il supporto dell'IA.

Chiara Romano

Chiara Romano

IA, modelli e tecnologie

Chiara Romano scrive di tecnologia, IA e modelli, media e internet per FLASH24, partendo da documentazione tecnica, repository e specifiche invece che da comunicati stampa. Per ogni modello o piattaforma che segue controlla versioni, licenze, parametri e benchmark, e verifica i numeri confrontandoli con i dati originali o con test indipendenti. Confronta le schede tecniche tra fornitori, parla con sviluppatori e amministratori di sistema, e tiene d'occhio le finestre di rilascio e le modifiche ai termini d'uso. Fuori dalla redazione gestisce self-hosting e reti domestiche, esperienza che le serve per capire come funzionano davvero i servizi che racconta. Non pubblica una notizia se la fonte primaria non è verificabile.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

I commenti sono pubblici. Non pubblichiamo insulti, spam né pubblicità.