Cosa dicono le due date di un modello su quanto è davvero aggiornato

La pagina si chiama "How stale is your AI?" ed è comparsa su Hacker News il 16 settembre. Per 20 modelli di otto laboratori riporta due date, uscita e fine addestramento, e per ognuna il conteggio sale in tempo reale. I contatori hanno bisogno di JavaScript. Le date no.

La distinzione conta più di quanto sembri. La data di uscita è il giorno in cui il laboratorio ha distribuito il modello, ed è quella che finisce nelle notizie di lancio. La fine addestramento è il giorno in cui il modello ha smesso di leggere. Un modello può uscire a settembre e aver smesso di leggere ad aprile: il giorno del lancio è già cinque mesi indietro.

Prendiamo GPT-6 Astra, che OpenAI ha rilasciato il 3 settembre 2026 con un cutoff del 30 aprile 2026. O Claude Opus 5.5, uscito il 22 settembre 2026, cutoff giugno 2026. I dati del tracker elencano Llama 4 di Meta al 5 aprile 2025 con un cutoff di agosto 2024, e Gemini 3.1 Pro di Google DeepMind al 19 febbraio 2026 con un cutoff di gennaio 2025.

Dieci dei 20 modelli riportano un cutoff che il laboratorio pubblica davvero. Cinque degli otto laboratori hanno pubblicato un cutoff per almeno un modello sulla pagina: Anthropic, Google DeepMind, Meta, OpenAI e xAI. Una voce vuota significa che le fonti dei fornitori controllate non hanno stabilito un cutoff per quel modello. Non è la prova che il laboratorio non l'abbia mai pubblicato, dice la pagina.

Perché la ricerca non risolve il problema

Gli strumenti di ricerca coprono il vuoto. Non lo chiudono mai, sostiene la pagina, perché la ricerca parte dal modello stesso, con gli stessi pesi che contengono il fatto superato. Quando un modello cerca, legge qualche pagina, le usa in quella singola risposta e dimentica. Apri una nuova chat ed è di nuovo aprile.

Il sito lo dimostra con un test: più di 2.000 chiamate su 16 modelli, a ciascuno dei quali è stato dato uno strumento di ricerca web. I modelli di frontiera hanno deciso correttamente quasi ogni volta, dice la pagina. Quelli più deboli hanno esposto fatti consolidati che erano cambiati senza verificare, e hanno cercato sul web cose come il punto di ebollizione dell'acqua.

Ho dato a 16 modelli AI un pulsante di ricerca e ho chiesto chi è il re di Norvegia. Cinque hanno nominato un uomo morto.

La pagina indica anche un secondo problema, più difficile da testare: un modello è una fonte scarsa sui modelli. Chiedi a uno il suo cutoff di addestramento. Un modello ben educato risponde, o dice di non essere sicuro. Uno che inventa una data sicura ti ha appena detto qualcosa di utile su se stesso.

Agenti che leggono i propri fatti superati

La pagina fornisce un export leggibile dalle macchine, models.json, con data di uscita, cutoff pubblicato e un link alla fonte per ciascuno dei 20 modelli. Fornisce anche un testo pronto da incollare nel file AGENTS.md o CLAUDE.md che un agente già legge, che gli dice di scaricare l'export prima di dichiarare attuale qualsiasi modello, versione o data. L'argomento è semplice: la conoscenza dei modelli da parte dell'agente si ferma al suo cutoff, e una risposta sbagliata suona comunque sicura.

I dati non sono l'ultima parola su quale modello sia il migliore. Sono un controllo su un'unica affermazione, l'attualità, che i benchmark e i post di lancio raramente affrontano. La pagina dice che l'export viene rigenerato ogni volta che viene rigenerata la pagina, così un agente legge le date di oggi invece di quelle incorporate nei suoi pesi.

Due avvertenze da tenere presenti. Dieci modelli non hanno un cutoff pubblicato sulla pagina, quindi la loro obsolescenza non è misurabile da questa sola fonte. E il test di ricerca è dell'autore, eseguito a una dimensione che la pagina non scompone per modello. Va preso come un segnale, non come una classifica.

Quello che la pagina stabilisce è un'abitudine: prima di citare la conoscenza di un modello come attuale, trova la data in cui ha smesso di leggere. La data di lancio non te lo dirà.