Co dwie daty modelu mówią o tym, jak bardzo jest aktualny

Strona nazywa się "How stale is your AI?" i pojawiła się na Hacker News 16 września. Zbiera dwie daty dla 20 modeli z ośmiu laboratoriów: datę wydania i datę odcięcia treningu. Licznik przy każdej z nich odlicza na żywo. Liczniki wymagają JavaScriptu. Same daty nie.

To rozróżnienie znaczy więcej, niż brzmi. Data wydania to moment, w którym laboratorium wypuściło model, i to ją podają teksty premierowe. Data odcięcia to dzień, w którym model przestał czytać. Model może zadebiutować we wrześniu, a mimo to przestać czytać w kwietniu. W dniu premiery ma wtedy pięć miesięcy zaległości.

Weźmy GPT-6 Astra, który OpenAI wydało 3 września 2026 roku z cutoffem 30 kwietnia 2026 roku. Albo Claude Opus 5.5, wydany 22 września 2026 roku, cutoff czerwiec 2026. Dane z zestawienia podają Llama 4 od Meta na 5 kwietnia 2025 roku z cutoffem sierpień 2024, a Gemini 3.1 Pro od Google DeepMind na 19 lutego 2026 roku z cutoffem styczeń 2025.

Dziesięć z 20 modeli ma cutoff, który laboratorium faktycznie publikuje. Pięć z ośmiu laboratoriów opublikowało cutoff przynajmniej dla jednego modelu na stronie: Anthropic, Google DeepMind, Meta, OpenAI i xAI. Puste pole oznacza, że sprawdzone źródła producenta nie ustaliły cutoffu dla danego modelu. To nie dowód, że laboratorium nigdy go nie opublikowało, zaznacza strona.

Dlaczego wyszukiwanie tego nie naprawia

Narzędzia wyszukiwania zasłaniają lukę. Nigdy jej nie zamykają, przekonuje strona, bo wyszukiwanie uruchamia sam model, tymi samymi wagami, które trzymają nieaktualny fakt. Gdy model szuka, czyta kilka stron, używa ich w jednej odpowiedzi i zapomina. Otwórz nowy czat i znowu jest kwiecień.

Strona podpiera to testem: ponad 2 000 wywołań na 16 modelach, każdy z narzędziem wyszukiwania w sieci. Modele z czołówki odpowiadały poprawnie niemal za każdym razem, pisze strona. Słabsze podawały ustalone fakty, które się zmieniły, bez sprawdzenia, i szukały w sieci rzeczy typu temperatura wrzenia wody.

Dałem 16 modelom AI przycisk wyszukiwania i zapytałem, kto jest królem Norwegii. Pięć wskazało zmarłego człowieka.

Strona wskazuje też drugi problem, trudniejszy do przetestowania: model jest słabym źródłem o modelach. Zapytaj któryś o jego własny cutoff treningu. Dobrze wychowany model odpowie albo przyzna, że nie jest pewien. Ten, który wymyśli pewną datę, właśnie powiedział ci coś użytecznego o sobie.

Agenci czytający własne nieaktualne fakty

Strona udostępnia eksport do odczytu maszynowego, models.json, z datą wydania, opublikowanym cutoffem i linkiem do źródła dla każdego z 20 modeli. Daje też gotowy do wklejenia tekst do pliku AGENTS.md lub CLAUDE.md, który agent już czyta. Każe mu pobrać eksport, zanim nazwie jakikolwiek model, wersję lub datę jako aktualne. Argument jest prosty: wiedza agenta o modelach kończy się na jego własnym cutoffie, a błędna odpowiedź i tak brzmi pewnie.

Te dane nie są ostatnim słowem o tym, który model jest najlepszy. To sprawdzenie jednego twierdzenia, aktualności, którego benchmarki i wpisy premierowe prawie nie poruszają. Strona mówi, że eksport jest generowany na nowo za każdym razem, gdy odświeża się strona. Agent czyta więc dzisiejsze daty, a nie te zapisane w jego wagach.

Dwie uwagi warto zachować. Dziesięć modeli nie ma na stronie opublikowanego cutoffu, więc ich zaległości nie da się zmierzyć z samego tego źródła. A test wyszukiwania jest autorski, przeprowadzony w skali, której strona nie rozbija na poszczególne modele. Traktuj go jak sygnał, nie ranking.

Strona ustala jedno: nawyk. Zanim zacytujesz wiedzę modelu jako aktualną, znajdź datę, w której przestał czytać. Data premiery ci tego nie powie.