Was ist ein Knowledge Cutoff?

Das Modell hat an einem Datum aufgehört zu lesen, und es kennt dieses Datum nicht

Ein Sprachmodell lernt aus einem festen Textkorpus, der vor dem Trainingsstart zusammengestellt wird. Was ist ein LLM beschreibt die beiden Trainingsphasen; entscheidend hier ist, dass beide mit Daten arbeiten, die ein Enddatum haben. Alles, was nach diesem Datum veröffentlicht wurde, steckt nicht im Modell. Nicht die Wahl, nicht die Preisänderung, nicht die Nachricht über das Modell selbst.

Anbieter veröffentlichen dieses Datum auf der Model Card, und zunehmend gleich zwei davon. Anthropic nennt einen "training data cutoff", das letzte Datum, an dem überhaupt Daten einflossen, und einen "reliable knowledge cutoff", ein früheres Datum, vor dem die Abdeckung dicht genug ist, um verlässlich zu sein. Die Lücke dazwischen entsteht, weil das Web Monate braucht, um über ein Ereignis zu schreiben: Ein Release im März hat im April eine Handvoll Seiten und im September Tausende. Ein Modell, das im Juli trainiert wurde, kennt März gut und Juli kaum.

Das Modell selbst kann dir keines der beiden Daten nennen. Es hat keinen Kalender und keine Aufzeichnung seines eigenen Trainings; auf die Frage "was ist dein Knowledge Cutoff" erzeugt es die wahrscheinlichste Antwort auf diese Frage aus seinen Trainingsdaten, meist ein Datum, das es über ein früheres Modell gelesen hat. Anthropics veröffentlichte System Prompts teilen Claude sein eigenes Cutoff-Datum im Klartext mit, was zugleich das Eingeständnis ist, dass das Modell es sonst nicht wüsste. Nimm das Datum von der Card, niemals aus dem Chat.

Wie veraltet ein Modell am Erscheinungstag ist, gemessen

Training dauert Monate, und Evaluation sowie Sicherheitsarbeit brauchen noch mehr Zeit, sodass ein Modell schon bei Release im Rückstand ist. Die Grafik liest acht Model Cards aus: den verlässlichen oder angegebenen Knowledge Cutoff gegen das öffentliche Erscheinungsdatum, in ganzen Monaten.

Zwei Muster fallen auf. OpenAIs Flaggschiffe waren am weitesten zurück, zehn Monate bei GPT-4.1 und GPT-5, während Anthropic und Google bei zwei bis vier Monaten lagen. Und die Lücke wächst im Einsatz nur weiter: GPT-4o war noch ein Jahr nach dem Launch ChatGPTs Standardmodell, zu diesem Zeitpunkt lag sein Wissensstand bereits 19 Monate zurück. Ein Modell im täglichen Einsatz liegt meist ein Jahr oder mehr hinter dem Tag zurück, an dem du es etwas fragst.

Die obigen Daten stammen von den Anbietern selbst, aus den Model Cards, die am Ende dieser Seite verlinkt sind. Die KI-Modell-Timeline listet Erscheinungsdaten für jedes Modell, das diese Seite verfolgt.

Was das Modell tut, wenn du über die Grenze hinaus fragst

Es antwortet. Das ist das Problem. Ein Modell hat keinen Nachschlagschritt, der "nicht gefunden" zurückgibt; es erzeugt die plausibelste Fortsetzung, und für eine Frage über den letzten Monat wird diese Fortsetzung aus den Mustern ähnlicher Fragen in den Trainingsdaten gebaut. Frage nach einem Produkt, das nach dem Cutoff erschien, und das Modell beschreibt, wie ein solches Produkt plausibel aussehen würde. Frage nach dem aktuellen Preis, und es nennt den Preis zum Cutoff, im Präsens formuliert.

Was ist eine KI-Halluzination erklärt, warum das Modell selbstsicher statt unsicher wirkt, aber die Cutoff-Variante hat ein verräterisches Merkmal: Die Antwort ist stimmig und leicht veraltet. Der Modellname ist eine Version zurück, der Preis ist der vom letzten Jahr, das "neueste" Feature ist das aus dem Trainingsfenster. Eine veraltete Antwort wirkt nicht falsch, sie wirkt wie die Vergangenheit.

Die Lösung ist Suche, und sie funktioniert bei Modellen ohne eigene

Der Cutoff lässt sich nicht verschieben, also besteht die Lösung darin, dem Modell zum Zeitpunkt der Antwort aktuellen Text zu geben. Zwei Mechanismen erledigen das. Ein Dokument-Upload legt deinen Text in den Prompt, und das Modell antwortet daraus. Websuche ruft Seiten ab und macht dasselbe mit dem offenen Web. Beides ist Grounding, und beides ist der Mechanismus, den Was ist RAG beschreibt: Das Modell sagt weiterhin voraus, aber aus Material, das nach seinem Training entstand.

In Whizi ist Websuche standardmäßig aktiv, sitzt in der Eingabezeile neben dem Anhängen-Button und gilt für jedes Modell, das du wählst. Das ist der nützliche Teil. Claude oder ein Llama-Modell: Mit aktiviertem Schalter beantwortet jedes eine Frage zu dieser Woche aus aktuellen Quellen. Der Schalter erteilt eine Erlaubnis statt einen Befehl, sodass eine Bitte um ein Gedicht keine Suche auslöst, eine Frage mit Datum aber schon. Eine Suche kostet keine Credits; die Nachricht kostet die Credit-Stufe des antwortenden Modells, genau wie ohne Suche.

Eine Einschränkung sollte man ehrlich benennen. Suche behebt Veraltung, nicht Glaubwürdigkeit. Ein veralteter Blogbeitrag wird ebenso leicht abgerufen wie eine Herstellerseite. Öffne bei einem Preis oder einer Spezifikation also den zitierten Link, bevor du danach handelst, und frage bei allem, was wichtig ist, ein zweites Modell mit aktivierter Suche zum Vergleich.

Geh von sechs Monaten Rückstand aus, dann sortiere die Frage

Geh davon aus, dass jedes Modell mindestens sechs Monate zurückliegt, und ein Modell, das du schon eine Weile nutzt, ein Jahr oder mehr. Sortiere dann die Frage. Hängt die Antwort von Fakten über die Welt nach dieser Grenze ab, schalte die Suche ein oder lade die Quelle hoch. Hängt die Antwort von Überlegungen zu etwas ab, das bereits im Gespräch steht, spielt der Cutoff keine Rolle und die Suche kann aus bleiben.

Prüfe für das Datum die Model Card, nicht das Modell. Und wenn ein Modell von sich aus "nach meinem letzten Update" sagt, lies das so, dass das Modell seine Trainingsdaten zitiert, statt eine Tatsache über sich selbst zu berichten, und behandle alles danach mit dem gleichen Misstrauen.