Qu'est-ce qu'un knowledge cutoff ?

Le modèle a arrêté de lire à une date, et il ne connaît pas cette date

Un modèle de langage apprend à partir d'un corpus de texte fixe assemblé avant le début de l'entraînement. Qu'est-ce qu'un LLM détaille les deux étapes d'entraînement ; le point ici est que les deux utilisent des données avec une date de fin. Rien de publié après cette date n'est dans le modèle. Ni l'élection, ni le changement de prix, ni même les nouvelles sur le modèle lui-même.

Les fournisseurs publient cette date sur la fiche modèle, et publient de plus en plus deux dates. Anthropic indique une "training data cutoff" (la dernière date où des données ont été incluses) et une "reliable knowledge cutoff" (une date antérieure, avant laquelle la couverture est assez dense pour être fiable). L'écart entre les deux existe parce que le web met des mois à couvrir un événement : une sortie en mars n'a que quelques pages en avril, et des milliers en septembre. Un modèle entraîné en juillet connaît bien mars, mais à peine juillet.

Le modèle lui-même ne peut indiquer ni l'une ni l'autre date. Il n'a ni calendrier ni trace de son propre entraînement ; quand on lui demande "quel est ton knowledge cutoff", il produit la réponse la plus probable pour cette question d'après ses données d'entraînement, ce qui correspond souvent à une date lue à propos d'un modèle antérieur. Les prompts système publiés par Anthropic indiquent à Claude sa propre date de coupure en texte clair, ce qui revient à admettre que le modèle ne la connaîtrait pas autrement. Prenez la date sur la fiche modèle, jamais dans la conversation.

À quel point un modèle est dépassé le jour de sa sortie, mesuré

L'entraînement prend des mois, et les travaux d'évaluation et de sécurité en prennent davantage, si bien qu'un modèle sort déjà en retard. Le graphique lit huit fiches modèle : la date de coupure fiable ou déclarée par rapport à la date de sortie publique, en mois entiers.

Deux tendances se dégagent. Les modèles phares d'OpenAI sont sortis avec le plus de retard, dix mois pour GPT-4.1 comme pour GPT-5, tandis qu'Anthropic et Google se situent entre deux et quatre mois. Et l'écart ne fait que croître en service : GPT-4o est resté le modèle par défaut de ChatGPT un an après son lancement, moment où ses connaissances dataient déjà de 19 mois. Un modèle utilisé au quotidien a typiquement un an de retard ou plus le jour où on lui pose une question.

Les dates ci-dessus proviennent des fournisseurs eux-mêmes, lues sur les fiches modèle liées en bas de page. La chronologie des modèles d'IA donne les dates de sortie de tous les modèles suivis par le site.

Ce que fait le modèle quand vous lui demandez ce qui dépasse la ligne

Il répond. C'est là le problème. Un modèle n'a pas d'étape de recherche qui renvoie "introuvable" ; il génère la continuation la plus plausible, et pour une question sur le mois dernier, cette continuation s'appuie sur les motifs de questions similaires présentes dans les données d'entraînement. Demandez un produit sorti après la coupure, et le modèle décrit ce qu'un tel produit serait plausiblement. Demandez le prix actuel, et il donne le prix à la date de coupure, au présent.

Qu'est-ce qu'une hallucination de l'IA explique pourquoi le modèle est confiant plutôt qu'incertain, mais la version liée à la coupure a un indice repérable : la réponse est cohérente et légèrement datée. Le nom du modèle est une version en retrait, le prix est celui de l'année dernière, la fonctionnalité "la plus récente" est celle de la fenêtre d'entraînement. Une réponse dépassée n'a pas l'air fausse ; elle a l'air du passé.

La solution est la recherche, et elle fonctionne sur les modèles qui n'en ont pas

La coupure ne peut pas être déplacée, la solution consiste donc à fournir au modèle du texte à jour au moment de la réponse. Deux mécanismes y parviennent. Importer un document place votre texte dans le prompt, et le modèle répond à partir de celui-ci. La recherche web récupère des pages et fait de même avec le web ouvert. Les deux relèvent de l'ancrage, et les deux suivent le mécanisme que décrit qu'est-ce que le RAG : le modèle prédit toujours, mais à partir de contenu postérieur à son entraînement.

Dans Whizi, la recherche web est activée par défaut, se trouve dans la barre de composition juste à côté du bouton d'ajout de fichier, et s'applique quel que soit le modèle choisi. C'est là l'utile : Claude ou un modèle Llama, avec l'interrupteur activé, chacun répond à une question sur cette semaine à partir de sources en direct. L'interrupteur accorde une permission plutôt qu'il n'impose une commande, donc une demande de poème ne déclenche pas de recherche, tandis qu'une question avec une date le fait. Une recherche ne coûte aucun crédit ; le message coûte le palier de crédit du modèle qui a répondu, comme sans recherche.

Une limite mérite d'être dite franchement. La recherche corrige l'obsolescence, pas la crédibilité. Un article de blog dépassé est récupéré aussi facilement qu'une page d'un fournisseur, donc pour un prix ou une spécification, ouvrez le lien cité avant d'agir dessus, et pour tout ce qui compte, interrogez un second modèle avec la recherche activée et comparez.

Supposez six mois de retard, puis triez la question

Supposez que chaque modèle a au moins six mois de retard, et qu'un modèle que vous utilisez depuis un moment en a un an ou plus. Puis triez la question. Si la réponse dépend de faits sur le monde survenus après cette ligne, activez la recherche ou importez la source. Si la réponse dépend d'un raisonnement sur quelque chose déjà présent dans la conversation, la coupure n'a pas d'importance et la recherche peut rester désactivée.

Vérifiez la fiche modèle, pas le modèle, pour la date. Et quand un modèle avance de lui-même "à ma dernière mise à jour", lisez cela comme le modèle citant ses données d'entraînement plutôt que rapportant un fait sur lui-même, et traitez tout ce qui suit cette formule avec la même méfiance.