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

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

Cerca
LIVE
›

I nuovi modelli AI arrivano con dati di addestramento vecchi di mesi, secondo il tracker

Dieci dei 20 modelli attuali di otto laboratori pubblicano una data di cutoff dell'addestramento, e la distanza tra quella data e il rilascio può arrivare a cinque mesi, secondo un tracker pubblicato il 16 settembre.

IA e modelliSpiegatoChiara RomanoPubblicato: 28 settembre 20264 min di letturaFonti 1
I nuovi modelli AI arrivano con dati di addestramento vecchi di mesi, secondo il tracker

La pagina si chiama How stale is your AI e fa una cosa sola: affianca due date a 20 nomi di modelli e le lascia correre. La data di rilascio è quando il laboratorio ha consegnato il modello. Il cutoff dell'addestramento è quando ha smesso di leggere. Secondo il sito, 10 dei 20 modelli elencati riportano un cutoff che il laboratorio pubblica davvero.

È tutto l'argomento dei benchmark in miniatura. I lanci dei modelli vengono valutati su benchmark eseguiti al momento del rilascio, ma tutto ciò che viene dopo il cutoff è semplicemente assente da quello che il modello sa. L'esempio del tracker: GPT-6 Astra è stato rilasciato il 3 settembre 2026 e i suoi dati di addestramento si fermano al 30 aprile 2026. Il giorno del lancio era già indietro di quattro mesi.

Cosa dicono le date

Prendiamo le voci in cui esistono entrambe le date. Llama 4 è uscito il 5 aprile 2025 con un cutoff di agosto 2024. Claude Haiku 4.5 è uscito il 15 ottobre 2025 con luglio 2025. Gemini 3.1 Pro è uscito il 19 febbraio 2026 con gennaio 2025, un divario di oltre un anno. Claude Sonnet 5 (30 giugno 2026, gennaio 2026), Claude Fable 5.1 (1 settembre 2026, giugno 2026), GPT-6 Astra (3 settembre 2026, 30 aprile 2026), Grok 4.7 (21 settembre 2026, maggio 2026), Claude Opus 5.5 (22 settembre 2026, giugno 2026), GPT-6 Sol (22 settembre 2026, 20 aprile 2026) e GPT-6 Luna (22 settembre 2026, 18 maggio 2026) completano l'insieme pubblicato.

Le altre dieci righe sono vuote. Mistral Large 3, Mistral Small 4, Mistral Medium 3.5, Qwen3.8-Max, Muse Glimmer, DeepSeek V4-Pro, Qwen3.8-Flash, Gemini 3.8 Flash, Muse Spark 1.3 e DeepSeek V4.1-Flash riportano tutti "Not established". Il sito è attento a cosa significa: una riga vuota vuol dire che le fonti dei fornitori controllate non hanno stabilito un cutoff per quel modello, non che il laboratorio non l'abbia mai pubblicato. Cinque degli otto laboratori, Anthropic, Google DeepMind, Meta, OpenAI e xAI, hanno un cutoff pubblicato per almeno un modello della pagina.

Il cutoff dell'addestramento è la data in cui un modello ha smesso di leggere. Tutto ciò che è accaduto dopo è semplicemente assente da quello che il modello sa. Un modello può uscire a settembre e aver smesso di leggere ad aprile, il che significa che è indietro di cinque mesi il giorno del lancio.

L'affermazione più interessante della pagina non riguarda affatto le date. Riguarda cosa succede quando dai a un modello un pulsante di ricerca e lo lasci decidere se usarlo. L'autore riporta 2000 chiamate su 16 modelli, ognuno dotato di uno strumento di ricerca web. I modelli di frontiera, in quella prova, hanno deciso correttamente quasi sempre. Quelli più deboli hanno risposto a domande già risolte attingendo alla memoria dopo che la risposta era cambiata, e hanno cercato sul web cose come il punto di ebollizione dell'acqua. In una delle prove riportate sulla pagina, a 16 modelli è stato chiesto chi è il re di Norvegia, e cinque hanno nominato un morto.

Leggete con attenzione. La decisione di cercare gira sugli stessi pesi che contengono il fatto obsoleto, quindi gli errori cadono esattamente dove il modello si sente più sicuro. Gli strumenti di ricerca coprono il divario. Non lo chiudono. Aprite una nuova chat e il modello è di nuovo al suo cutoff.

Il punto scomodo per i benchmark

Questo conta per come si leggono i benchmark di rilascio. Un modello può stare in cima a una classifica a settembre su domande la cui risposta era fissata prima di aprile, e nessuno che esegue la valutazione controlla la data di cutoff sulla scheda del modello. Se un laboratorio non pubblica il cutoff, la riga vuota del tracker è la risposta onesta: nessuno fuori dal laboratorio può misurare il divario.

C'è anche un problema di secondo livello. Un modello è una fonte scadente sui modelli. Chiedetegli direttamente qual è il suo cutoff di addestramento e uno ben educato risponde o dice che non è sicuro, secondo la pagina. Uno che inventa una data con sicurezza vi ha detto qualcosa di utile su di sé. Le date di rilascio, i numeri di versione e quale modello sia quello attuale si fermano tutti al cutoff, e la risposta sbagliata suona comunque sicura.

La correzione suggerita è piccola e pratica. Bastano poche righe nel file AGENTS.md o CLAUDE.md che un agente legge già, per dirgli di scaricare il models.json del sito prima di indicare qualsiasi modello, versione o data come attuale, e di trattare tutto ciò che ha una data allegata come non verificato finché non è controllato. L'export contiene data di rilascio, cutoff pubblicato e un link alla fonte per ogni modello, e viene rigenerato ogni volta che lo è la pagina. La pagina ospita il testo, pronto da incollare.

Niente di tutto questo è un benchmark nel senso usuale. Non c'è un punteggio, non c'è una classifica e non c'è una prova inviata da un laboratorio. È una tabella di date con un export JSON e un argomento allegato: che la seconda data sulla scheda di un modello meriti lo stesso esame della prima.

Per chiunque confronti due modelli usciti nella stessa settimana, il tracker aggiunge una domanda che gran parte della copertura dei lanci salta. Quando ha smesso di leggere ciascuno dei due, e il laboratorio si è preso la briga di dirlo?

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.