Data di rilascio e training cutoff non coincidono: come leggere un nuovo modello AI

La pagina si trova su stale.jock.pl ed è stata condivisa 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 il training cutoff, il punto in cui il modello ha smesso di leggere. Entrambi i contatori avanzano in tempo reale a partire da quelle date.

Undici delle 20 righe mostrano "Not established". Non significa "mai pubblicato". La pagina specifica che un campo vuoto indica che le fonti del vendor verificate non hanno stabilito un cutoff per quel modello. Attenzione quindi a leggere la tabella come un'affermazione su ciò che i laboratori scelgono o meno di divulgare.

Cosa misurano davvero le due date

La data di rilascio è quando il laboratorio ha pubblicato il modello. È ciò che portano i titoli e con cui iniziano i post sui benchmark. Il training cutoff è quando il modello ha smesso di leggere. La distanza tra le due indica quanto il modello era già in ritardo al giorno del lancio, prima che un utente digitasse qualsiasi cosa. La pagina offre un esempio chiaro. GPT-6 Astra è stato rilasciato il 3 settembre 2026, e i suoi dati di training si fermano al 30 aprile 2026. Sono circa quattro mesi di assenza incorporati al lancio. Le date nella tabella provengono da documenti dei laboratori e ogni nome modello è collegato al documento da cui è stata presa la data.

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

Cinque laboratori, dieci modelli e molti spazi vuoti

Secondo la pagina, 5 dei 8 laboratori hanno un cutoff pubblicato per almeno un modello elencato: Anthropic, Google DeepMind, Meta, OpenAI e xAI. Tre laboratori, Alibaba, DeepSeek e Mistral AI, non hanno alcun modello nella pagina con un cutoff stabilito. 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 elencati come non stabiliti. È un gap di divulgazione, non un'affermazione sulle prestazioni. Il tracker non dice che quei modelli siano peggiori o più vecchi. Dice che le fonti verificate non hanno prodotto una data di cutoff.

Questo conta per la lettura dei benchmark. Un benchmark è uno snapshot di ciò che un modello sa fare su un set di task, e i set di task sono scritti da persone che sanno cosa è successo fino a una certa data. Se il cutoff di un modello è più vecchio del benchmark, parte di ciò che sembra ragionamento potrebbe essere richiamo. Se il cutoff è più recente, il benchmark potrebbe misurare la capacità del modello di gestire materiale che era nei suoi dati di training.

Il tracker non fa quell'argomento direttamente. Ne fa uno più stretto: non si può valutare l'attualità senza conoscere il cutoff, e per la metà dei modelli nella pagina il cutoff non è pubblicato.

Il pulsante di ricerca non risolve

La ricerca web è la risposta usuale a un modello obsoleto. La pagina si oppone a questa idea e ha i numeri. Oltre 2.000 chiamate su 16 modelli, ciascuno dotato di uno strumento di ricerca web, i modelli frontier hanno deciso correttamente quasi sempre se cercare o meno, mentre i modelli più deboli hanno affermato fatti consolidati che erano cambiati senza verificare, e hanno cercato in 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 obsoleto, quindi gli errori capitano esattamente dove il modello si sente più sicuro.

Questo è il meccanismo a cui il tracker punta. Uno strumento di ricerca è utile solo se il modello riconosce di averne bisogno, e quel riconoscimento funziona sugli stessi pesi che contengono la credenza datata. La pagina nota anche che la ricerca non aggiorna nulla: il modello legge alcune pagine, le usa in quella risposta e le dimentica. Apri una nuova chat ed è di nuovo aprile.

L'esempio della pagina stessa 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 da un'esecuzione più ampia, non un benchmark pubblicato con una sezione metodologica, e va letto in questo modo.

A cosa serve davvero il tracker

Il sito fornisce un export models.json che contiene la data di rilascio, il cutoff pubblicato e un link alla fonte per tutti i 20 modelli. Fornisce anche un blocco di testo destinato a essere incollato nel file di istruzioni di un agente, l'AGENTS.md o CLAUDE.md che gli agenti di coding leggono già, dicendo all'agente di recuperare quel JSON prima di nominare qualsiasi modello, versione o data come attuale. L'argomento è diretto e la pagina lo fa: un modello è una pessima fonte sui modelli. Chiedi a un modello il suo training cutoff e uno ben comportato risponde o dice di non essere sicuro. Uno che inventa una data con sicurezza ti ha detto qualcosa su se stesso.

Per chiunque legga un post di lancio questa settimana, la versione pratica è breve. Verifica se il laboratorio ha pubblicato un cutoff. Verifica quanto è vecchio rispetto alla data di rilascio. Tratta un cutoff mancante come informazione mancante, non come certificato di salute, e non dare per scontato che uno strumento di ricerca chiuda un gap che il modello deve decidere di aprire.

Il tracker stesso è una singola pagina con un elenco fisso, aggiornato quando lo scaffale si muove. Non è un benchmark e non punteggia i modelli. È una tabella di date con contatori, e le date sono il punto.