Data wydania to nie to samo co cutoff treningowy: jak czytać nowy model AI
Dziesięć z 20 modeli AI na trackerze opublikowanym 16 września 2026 roku ma cutoff treningowy, który laboratorium faktycznie podaje. Różnica między tą datą a datą wydania to część, którą relacje z premiery pomijają.

Tracker działa pod adresem stale.jock.pl i pojawił się na Hacker News 16 września 2026 roku. Wymienia 20 modeli z 8 laboratoriów. Przy każdym stoją dwie daty: data wydania oraz cutoff treningowy, czyli moment, w którym model przestał czytać. Oba liczniki tykają na żywo od tych dat.
Jedenaście z 20 wierszy pokazuje „Not established”. To nie to samo co „nigdy nie opublikowano”. Strona wyjaśnia, że puste pole oznacza, iż sprawdzone źródła producenta nie ustaliły cutoffu dla danego modelu. Tabeli nie należy więc czytać jako twierdzenia o tym, co laboratoria ujawniają, a czego nie.
Co właściwie mierzą obie daty
Data wydania to moment, w którym laboratorium wypuściło model. To ona trafia do nagłówków i otwiera wpisy o benchmarkach. Cutoff treningowy to moment, w którym model przestał czytać. Odległość między nimi mówi, jak bardzo model był już w tyle w dniu premiery, zanim jakikolwiek użytkownik wpisał do niego pierwsze zdanie. Strona podaje jeden czysty przykład. GPT-6 Astra ukazał się 3 września 2026 roku, a jego dane treningowe urywają się 30 kwietnia 2026 roku. To około czterech miesięcy nieobecności wpisanych w model już przy starcie. Daty w tabeli pochodzą z dokumentów laboratoriów, a nazwa każdego modelu linkuje do dokumentu, z którego wzięto datę.
W niektórych wierszach luka jest szersza. Gemini 3.1 Pro od Google DeepMind ma datę wydania 19 lutego 2026 roku i cutoff ze stycznia 2025 roku, ponad rok. Llama 4 od Meta ma datę wydania 5 kwietnia 2025 roku przy cutoffie z sierpnia 2024 roku. Claude Sonnet 5 od Anthropic pokazuje 30 czerwca 2026 roku przy styczniu 2026 roku. Nie każda luka jest duża: Grok 4.7 od xAI, wydany 21 września 2026 roku, ma cutoff z maja 2026 roku, a Claude Opus 5.5, wydany 22 września 2026 roku, ma cutoff z czerwca 2026 roku.
Pięć laboratoriów, dziesięć modeli i sporo pustych pól
Według strony 5 z 8 laboratoriów ma opublikowany cutoff dla co najmniej jednego wymienionego modelu: Anthropic, Google DeepMind, Meta, OpenAI i xAI. Trzy laboratoria, Alibaba, DeepSeek i Mistral AI, nie mają na stronie żadnego modelu z ustalonym cutoffem. Qwen3.8-Max i Qwen3.8-Flash od Alibaby, V4-Pro i V4.1-Flash od DeepSeek oraz Large 3, Small 4 i Medium 3.5 od Mistral widnieją jako nieustalone. To luka w ujawnianiu informacji, nie twierdzenie o wydajności. Tracker nie mówi, że te modele są gorsze albo starsze. Mówi, że sprawdzone źródła nie dały daty cutoffu.
Ma to znaczenie przy czytaniu benchmarków. Wynik benchmarku to migawka tego, co model potrafi na zestawie zadań, a zestawy zadań piszą ludzie, którzy wiedzą, co się wydarzyło do pewnej daty. Jeśli cutoff modelu jest starszy niż benchmark, część tego, co wygląda na rozumowanie, może być przypominaniem sobie. Jeśli cutoff jest nowszy, benchmark może mierzyć zdolność modelu do radzenia sobie z materiałem, który był w jego danych treningowych.
Tracker nie stawia tej tezy wprost. Stawia węższą: nie ocenisz aktualności bez znajomości cutoffu, a dla połowy modeli na stronie cutoff nie jest opublikowany.
Przycisk wyszukiwania tego nie naprawia
Wyszukiwanie w sieci to zwykła odpowiedź na nieaktualny model. Strona się temu sprzeciwia i podaje liczby. Ponad 2 000 wywołań na 16 modelach, każdy z narzędziem wyszukiwania w sieci: modele czołowe prawie zawsze poprawnie decydowały, czy szukać, a słabsze modele podawały ustalone fakty, które się zmieniły, bez sprawdzania, i szukały w sieci rzeczy takich jak temperatura wrzenia wody.
Wyszukiwanie musi też uruchomić sam model, tymi samymi wagami, które trzymają nieaktualny fakt, więc pomyłki wypadają dokładnie tam, gdzie model czuje się najpewniej.
Na ten mechanizm wskazuje tracker. Narzędzie wyszukiwania jest użyteczne tylko wtedy, gdy model rozpozna, że go potrzebuje, a to rozpoznanie działa na tych samych wagach, które trzymają przestarzałe przekonanie. Strona zauważa też, że wyszukiwanie niczego nie aktualizuje: model czyta kilka stron, używa ich w tej odpowiedzi i zapomina. Otwórz nowy czat, a znów jest kwiecień.
Własna ilustracja strony to pytanie o króla Norwegii zadane 16 modelom z przyciskiem wyszukiwania. Strona twierdzi, że pięć wskazało zmarłego człowieka. To jedna anegdota z większego przebiegu, nie opublikowany benchmark z sekcją metodologiczną, i tak trzeba ją czytać.
Do czego tracker właściwie służy
Serwis udostępnia eksport models.json z datą wydania, opublikowanym cutoffem i linkiem do źródła dla wszystkich 20 modeli. Udostępnia też blok tekstu do wklejenia do pliku instrukcji agenta, AGENTS.md albo CLAUDE.md, które agenci kodujący już czytają. Ten blok każe agentowi pobrać JSON, zanim nazwie jakikolwiek model, wersję lub datę jako aktualne. Argument jest bez ogródek i strona go stawia: model jest słabym źródłem o modelach. Zapytaj model o jego własny cutoff treningowy, a dobrze wychowany odpowie albo powie, że nie jest pewien. Ten, który wymyśli pewną datę, powiedział ci coś o sobie.
Dla każdego, kto czyta w tym tygodniu wpis o premierze, praktyczna wersja jest krótka. Sprawdź, czy laboratorium opublikowało cutoff. Sprawdź, jak stary jest wobec daty wydania. Brak cutoffu traktuj jako brak informacji, a nie jako czysty bilans zdrowia, i nie zakładaj, że narzędzie wyszukiwania zamyka lukę, którą model musi sam zdecydować się otworzyć.
Sam tracker to jedna strona ze stałą listą, aktualizowana, gdy półka się zmienia. To nie benchmark i nie ocenia modeli. To tabela dat z licznikami, a daty są tu sednem.
Źródła
1Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.