지식 컷오프란 무엇인가

모델은 특정 날짜에 읽기를 멈췄지만, 그 날짜를 스스로 알지 못한다

언어 모델은 학습이 시작되기 전에 모아둔 고정된 텍스트 뭉치로부터 배웁니다. LLM이란 무엇인가에서 두 단계의 학습 과정을 다루는데, 여기서 중요한 점은 두 단계 모두 종료 날짜가 있는 데이터를 사용한다는 것입니다. 그 날짜 이후 발표된 내용은 모델 안에 없습니다. 선거 결과도, 가격 변동도, 그 모델 자체에 관한 뉴스도 마찬가지입니다.

벤더들은 이 날짜를 모델 카드에 공개하며, 최근에는 두 개를 함께 공개하는 경우가 늘고 있습니다. Anthropic은 데이터가 포함된 마지막 날짜인 "학습 데이터 컷오프"와, 그보다 이른 시점으로 정보가 충분히 촘촘해 신뢰할 수 있는 "신뢰 가능한 지식 컷오프"를 함께 표기합니다. 이 둘 사이에 간격이 생기는 이유는 웹이 어떤 사건을 다루는 데 몇 달이 걸리기 때문입니다. 3월에 나온 발표는 4월에는 몇 페이지에 불과하지만 9월이면 수천 페이지로 늘어납니다. 7월에 학습된 모델은 3월은 잘 알지만 7월은 거의 모릅니다.

모델 자신도 이 두 날짜 중 어느 것도 말할 수 없습니다. 달력도 없고 자신의 학습 기록도 없기 때문입니다. "당신의 지식 컷오프는 언제인가요"라고 물으면 학습 데이터 안에서 그 질문에 가장 그럴듯한 답을 만들어낼 뿐이며, 대개는 이전 모델에 관해 읽었던 날짜를 내놓습니다. Anthropic이 공개한 시스템 프롬프트는 Claude에게 자신의 컷오프 날짜를 평문으로 알려주는데, 이는 모델이 그렇지 않으면 그 사실을 모른다는 것을 스스로 인정하는 셈입니다. 날짜는 항상 모델 카드에서 확인하고, 채팅 답변에서 확인하지 마세요.

출시일 기준 모델이 얼마나 오래된 정보를 담고 있는지 측정하면

학습에는 몇 달이 걸리고 평가와 안전성 작업에는 그보다 더 오래 걸리므로, 모델은 이미 뒤처진 채로 출시됩니다. 아래 차트는 여덟 개 모델 카드의 신뢰 가능한 지식 컷오프 또는 명시된 컷오프와 공개 출시일 사이의 개월 수를 보여줍니다.

여기서 두 가지 패턴이 보입니다. OpenAI의 플래그십 모델은 GPT-4.1과 GPT-5 모두 10개월로 가장 크게 뒤처져 출시된 반면, Anthropic과 Google은 2개월에서 4개월 수준을 유지했습니다. 그리고 이 격차는 서비스 중에도 계속 커집니다. GPT-4o는 출시 1년 후에도 여전히 ChatGPT의 기본 모델이었는데, 그 시점에는 지식이 19개월이나 지난 상태였습니다. 일상적으로 사용하는 모델은 대개 질문하는 시점보다 1년 이상 뒤처져 있다고 보면 됩니다.

위 날짜들은 이 페이지 끝에 링크된 모델 카드에서 가져온 벤더 자체의 발표 날짜입니다. AI 모델 타임라인에서 이 사이트가 추적하는 모든 모델의 출시일을 확인할 수 있습니다.

기준선을 넘는 질문을 하면 모델은 어떻게 행동하는가

모델은 답을 내놓습니다. 바로 이것이 문제입니다. 모델에는 "찾을 수 없음"을 반환하는 조회 단계가 없습니다. 대신 가장 그럴듯한 이어지는 문장을 생성할 뿐이고, 지난달에 관한 질문이라면 학습 데이터 속 비슷한 질문들의 패턴을 바탕으로 답을 만들어냅니다. 컷오프 이후 출시된 제품에 관해 물으면 모델은 그런 제품이 있다면 어떤 모습일지 그럴듯하게 묘사합니다. 현재 가격을 물으면 컷오프 시점의 가격을 현재형으로 말합니다.

AI 환각이란 무엇인가에서 모델이 왜 불확실해하지 않고 확신에 차 보이는지 설명하지만, 컷오프로 인한 오답에는 알아챌 수 있는 특징이 있습니다. 답변이 논리적이면서 살짝 오래되었다는 점입니다. 모델 이름은 한 버전 전이고, 가격은 작년 것이며, "최신" 기능은 학습 기간에 있던 것입니다. 오래된 답은 틀려 보이지 않고, 그저 과거처럼 보입니다.

해법은 검색이며, 자체 검색 기능이 없는 모델에도 통한다

컷오프 자체는 옮길 수 없으므로 답은 응답 시점에 모델에게 최신 텍스트를 건네주는 것입니다. 이를 실현하는 방법은 두 가지입니다. 문서를 업로드하면 그 텍스트가 프롬프트에 들어가고 모델은 그것을 바탕으로 답합니다. 웹 검색은 페이지를 가져와 열린 웹 전체에 대해 같은 일을 합니다. 둘 다 그라운딩이며, RAG란 무엇인가가 설명하는 원리와 같습니다. 모델은 여전히 예측하지만, 이번에는 학습 이후에 나온 자료를 바탕으로 예측합니다.

Whizi에서는 웹 검색이 기본으로 켜져 있고, 첨부 버튼 옆 입력창에 자리하며, 어떤 모델을 선택하든 그대로 적용됩니다. 바로 이 부분이 실용적입니다. Claude든 Llama 모델이든 토글이 켜져 있으면 이번 주 소식에 관한 질문에도 실시간 출처를 바탕으로 답합니다. 이 토글은 명령이 아니라 허용을 부여하는 방식이라, 시를 요청하면 검색이 실행되지 않고 날짜가 들어간 질문에는 검색이 실행됩니다. 검색 자체는 크레딧을 소모하지 않으며, 메시지 비용은 검색 여부와 상관없이 답변한 모델의 크레딧 등급을 따릅니다.

다만 한계도 분명히 밝혀야 합니다. 검색은 정보가 오래된 문제는 해결하지만 신뢰도 문제까지 해결하지는 않습니다. 오래된 블로그 글도 벤더 페이지만큼 쉽게 검색되어 인용되므로, 가격이나 사양에 관한 정보라면 행동하기 전에 인용된 링크를 직접 열어 확인하고, 중요한 사안이라면 검색을 켠 다른 모델에게도 물어 비교해 보세요.

일단 6개월 뒤처졌다고 가정하고, 질문의 성격을 나누라

모든 모델이 최소 6개월은 뒤처져 있다고 가정하고, 한동안 사용해 온 모델이라면 1년 이상 뒤처졌다고 보세요. 그다음 질문의 성격을 나눕니다. 답이 그 기준선 이후 세상에서 일어난 사실에 좌우된다면 검색을 켜거나 출처를 업로드하세요. 답이 이미 대화 안에 있는 내용에 대한 추론에 좌우된다면 컷오프는 상관없으니 검색을 꺼도 됩니다.

날짜는 모델이 아니라 모델 카드에서 확인하세요. 그리고 모델이 "제가 마지막으로 업데이트된 시점 기준으로"라고 말한다면, 그것을 자신에 관한 사실 보고가 아니라 학습 데이터를 인용하는 것으로 받아들이고, 그 뒤에 이어지는 모든 내용을 같은 정도로 의심하세요.