Nowe modele AI wyprzedzają własne dane treningowe
Dziesięć z 20 modeli AI na liście trackera stale.jock.pl ma datę odcięcia treningu, którą laboratorium faktycznie publikuje. Kilka z nich trafiło na rynek miesiące po dacie z własnego ogłoszenia o premierze.

Strona, opublikowana na Hacker News 16 września, śledzi dwie daty dla każdego modelu: dzień, w którym laboratorium go wypuściło, i dzień, w którym przestało czytać. Lista obejmuje 20 modeli z 8 laboratoriów, a odliczanie od każdej daty działa na żywo w przeglądarce.
Cała historia tkwi w luce między tymi datami. GPT-6 Astra, wydany przez OpenAI 3 września 2026, ma odcięcie treningu na 30 kwietnia 2026. Jego brat GPT-6 Sol trafił na rynek 22 września z odcięciem na 20 kwietnia, a GPT-6 Luna tego samego dnia z odcięciem na 18 maja. Claude Opus 5.5 od Anthropic, wydany 22 września, kończy się na czerwcu 2026. Claude Sonnet 5, dostępny od 30 czerwca, przestał czytać w styczniu.
Dla połowy listy odpowiedź jest po prostu nieznana. Large 3, Small 4 i Medium 3.5 od Mistral AI, Qwen3.8-Max i Qwen3.8-Flash od Alibaby, Muse Glimmer i Muse Spark 1.3 od Meta, V4-Pro i V4.1-Flash od DeepSeek oraz Gemini 3.8 Flash od Google DeepMind nie mają ustalonego odcięcia. Strona ostrożnie opisuje, co to znaczy: puste pole oznacza, że sprawdzone źródła dostawcy nie pozwoliły go ustalić, a nie dowód, że laboratorium nigdy go nie opublikowało.
Dlaczego data waży więcej niż numer wersji
Strona ujmuje to bez ogródek. Model może trafić na rynek we wrześniu i nadal przestać czytać w kwietniu. W dniu premiery jest więc pięć miesięcy do tyłu, zanim ktokolwiek wpisze w niego pierwszy prompt.
Narzędzia wyszukiwania tego nie naprawiają, wynika z opisu strony. Kiedy model szuka, czyta kilka stron, zużywa je w jednej odpowiedzi i zapomina; otwórz nowy czat, a odcięcie wraca. Decyzja o sięgnięciu po wyszukiwarkę zapada na tych samych wagach, które trzymają nieaktualny fakt, więc pomyłki trafiają tam, gdzie model jest najbardziej pewny siebie. Strona podaje, że zmierzyła to na 2 000 wywołań w 16 modelach, z których każdy dostał narzędzie wyszukiwania w sieci: modele frontier decydowały poprawnie prawie za każdym razem, słabsze podawały ustalone fakty, które zdążyły się zmienić, i szukały w sieci temperatury wrzenia wody.
Dałem 16 modelom AI przycisk wyszukiwania i zapytałem, kto jest królem Norwegii. Pięć wskazało zmarłego człowieka.
To zdanie ze strony i najczystsza ilustracja problemu. Model, który nie wie, że monarcha umarł, nie zdecyduje rzetelnie, żeby to sprawdzić.
Obejście jest pomyślane dla agentów, nie dla ludzi
Strona publikuje te same dane jako models.json, z datą wydania, opublikowanym odcięciem i linkiem do źródła przy każdym modelu. Proponuje wkleić krótki blok instrukcji do pliku AGENTS.md albo CLAUDE.md, żeby agent pobrał go, zanim nazwie jakikolwiek model aktualnym.
Po stronie laboratoriów opublikowane odcięcia są nierówne. Pięć z ośmiu laboratoriów, Anthropic, Google DeepMind, Meta, OpenAI i xAI, ma opublikowane odcięcie dla co najmniej jednego modelu z listy. Dziesięć z 20 modeli ma takie odcięcie. Reszta nie.
Strona proponuje też prosty test własny: zapytać model o jego własne odcięcie treningu. Ten, który odpowie albo przyzna się do niepewności, zachowuje się dobrze. Ten, który wymyśli pewną datę, powiedział już coś o sobie. Ostrzeżenie ze strony jest takie, że model jest słabym źródłem na temat modeli, więc odpowiedź trzeba sprawdzić w tabeli, a nie jej ufać.
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.