O modelo parou de ler numa data, e ele não sabe qual data é essa
Um modelo de linguagem aprende a partir de um conjunto fixo de textos reunidos antes de o treinamento começar. O que é um LLM cobre as duas etapas de treinamento; o ponto aqui é que ambas usam dados com uma data final. Nada publicado depois dessa data está no modelo. Nem a eleição, nem a mudança de preço, nem a notícia sobre o próprio modelo.
Os fornecedores publicam essa data no model card, e cada vez mais publicam duas. A Anthropic lista um "training data cutoff", a última data em que algum dado foi incluído, e um "reliable knowledge cutoff", uma data anterior antes da qual a cobertura é densa o suficiente para confiar. A diferença entre elas existe porque a web leva meses para escrever sobre um evento: um lançamento em março tem poucas páginas em abril e milhares em setembro. Um modelo treinado em julho conhece bem março e mal conhece julho.
O próprio modelo não consegue dizer nenhuma das duas datas. Ele não tem calendário nem registro do próprio treinamento; quando perguntado "qual é o seu knowledge cutoff", ele produz a resposta mais provável para essa pergunta em seus dados de treinamento, que geralmente é uma data que ele leu sobre um modelo anterior. Os system prompts publicados pela Anthropic informam ao Claude sua própria data de corte em texto simples, o que é a admissão de que o modelo não saberia disso de outra forma. Tire a data do model card, nunca do chat.
O quanto um modelo está desatualizado no dia do lançamento, medido
O treinamento leva meses, e o trabalho de avaliação e segurança leva ainda mais, então o modelo já é lançado atrasado. O gráfico lê oito model cards: o knowledge cutoff confiável ou declarado contra a data de lançamento público, em meses inteiros.
Dois padrões. Os modelos de ponta da OpenAI foram lançados com o maior atraso, dez meses tanto para o GPT-4.1 quanto para o GPT-5, enquanto Anthropic e Google ficaram entre dois e quatro. E a defasagem só cresce durante o uso: o GPT-4o ainda era o modelo padrão do ChatGPT um ano após o lançamento, ponto em que seu conhecimento terminava 19 meses antes. Um modelo em uso diário costuma estar um ano ou mais atrasado no dia em que você pergunta algo a ele.
As datas acima são as dos próprios fornecedores, lidas nos model cards linkados ao final desta página. A linha do tempo dos modelos de IA tem as datas de lançamento de todo modelo que o site acompanha.
O que o modelo faz quando você pergunta além do limite
Ele responde. Esse é o problema. Um modelo não tem uma etapa de consulta que retorna "não encontrado"; ele gera a continuação mais plausível, e para uma pergunta sobre o mês passado essa continuação é construída a partir dos padrões de perguntas semelhantes nos dados de treinamento. Pergunte sobre um produto lançado depois do corte e o modelo descreve como esse produto plausivelmente seria. Peça o preço atual e ele dá o preço da data do corte, dito no tempo presente.
O que é uma alucinação de IA explica por que o modelo age com confiança em vez de incerteza, mas a versão do knowledge cutoff tem um sinal que você pode usar: a resposta é coerente e um pouco antiga. O nome do modelo está uma versão atrás, o preço é do ano passado, o recurso "mais recente" é o da janela de treinamento. Uma resposta desatualizada não parece errada; parece o passado.
| Tipo de pergunta | Seguro perguntar a um modelo puro? | Por quê |
|---|---|---|
| Como algo funciona, fatos estabelecidos, história anterior ao corte | Sim | Densamente coberto nos dados de treinamento, pouco provável de ter mudado |
| Preços, planos, limites, números de versão | Não | Mudam mensalmente; o modelo responde a partir do corte, no tempo presente |
| Lançamentos recentes, notícias, resultados, leis | Não | Ausentes ou escassos; o modelo preenche a lacuna com detalhes plausíveis |
| Qualquer coisa sobre o próprio modelo, incluindo seu corte | Não | O modelo não tem registro do próprio treinamento |
| Seus próprios documentos, seus próprios dados | Não | Nunca estiveram no conjunto de treinamento; envie o arquivo |
A solução é a busca, e ela funciona até em modelos que não têm nenhuma
O corte não pode ser adiado, então a solução é entregar ao modelo texto atual no momento da resposta. Dois mecanismos fazem isso. Enviar um documento coloca seu texto no prompt, e o modelo responde a partir dele. A busca na web recupera páginas e faz o mesmo com a web aberta. Ambos são grounding, e ambos são o mecanismo que o que é RAG descreve: o modelo continua prevendo, mas a partir de material posterior ao seu treinamento.
Na Whizi, a busca na web vem ativada por padrão, fica no compositor ao lado do botão de anexar, e se aplica a qualquer modelo que você escolher. Essa última parte é o ponto útil. Claude ou um modelo Llama: com o botão ativado, cada um responde a uma pergunta sobre esta semana a partir de fontes ao vivo. O botão concede permissão em vez de emitir um comando, então um pedido de poema não dispara uma busca e uma pergunta com uma data não dispara. Uma busca não custa créditos; a mensagem custa o degrau de crédito do modelo que respondeu, o mesmo que sem busca.
Um limite vale a pena ser dito com honestidade. A busca resolve a desatualização; ela não resolve a credibilidade. Um post de blog desatualizado é recuperado com a mesma facilidade que a página de um fornecedor, então, para um preço ou especificação, abra o link citado antes de agir sobre ele, e para o que realmente importa, pergunte a um segundo modelo com a busca ativada e compare.
Considere seis meses de atraso, depois classifique a pergunta
Considere que todo modelo está pelo menos seis meses atrasado, e um modelo que você usa há um tempo está um ano ou mais atrasado. Depois, classifique a pergunta. Se a resposta depende de fatos sobre o mundo depois dessa linha, ative a busca ou envie a fonte. Se a resposta depende de raciocínio sobre algo já presente na conversa, o corte não importa e a busca pode ficar desligada.
Confira o model card, não o modelo, para a data. E quando um modelo disser espontaneamente "até minha última atualização", entenda isso como o modelo citando seus dados de treinamento em vez de relatar um fato sobre si mesmo, e trate tudo depois dessa frase com a mesma desconfiança.
- Tire a data do corte do model card do fornecedor, nunca perguntando ao modelo
- Considere seis meses de atraso no lançamento e um ano ou mais para um modelo que já está em uso há um tempo
- Ative a busca na web para qualquer coisa com preço, número de versão, data ou nome recente
- Envie o documento quando a resposta depender do seu próprio texto; ele nunca esteve nos dados de treinamento
- Abra o link citado antes de agir sobre um preço ou especificação encontrado na busca, ou pergunte a um segundo modelo com a busca ativada
Perguntas frequentes
O que é a data de knowledge cutoff?
A data a partir da qual nenhum texto foi incluído nos dados de treinamento de um modelo. Tudo que o modelo sabe sem ajuda vem de antes dessa data. Os fornecedores a publicam no model card, e alguns publicam duas: um training data cutoff e um reliable knowledge cutoff anterior, porque os meses mais recentes são pouco cobertos pela web no momento do treinamento.
Qual é o knowledge cutoff do ChatGPT?
Depende do modelo por trás do chat, e a OpenAI publica cada um na página do modelo. O GPT-4o teve corte em outubro de 2023, o GPT-4.1 em junho de 2024 e o GPT-5 em setembro de 2024, cada um lançado de 7 a 10 meses depois. Com a navegação ativada, o ChatGPT responde a partir de páginas ao vivo, independentemente do corte do modelo subjacente.
Por que o modelo não consegue me dizer o próprio corte?
Porque ele não tem registro do próprio treinamento. Ao ser perguntado, ele gera a resposta mais provável a partir dos seus dados de treinamento, que muitas vezes descreve um modelo anterior. Os system prompts publicados pela Anthropic entregam ao Claude sua data de corte em texto simples, porque o modelo não saberia disso de outra forma. O model card é a única fonte confiável.
Como obter informações atuais de um modelo de IA?
Dê a ele o texto atual. A busca na web recupera páginas ao vivo para o prompt; o envio de um documento coloca seu próprio texto ali. De qualquer forma, o modelo responde a partir do que recebeu, e não dos dados de treinamento. A Whizi ativa a busca na web por padrão para todo modelo sem custo em créditos, então até um modelo sem busca própria responde a partir das fontes de hoje.
Um modelo mais novo resolve o problema do knowledge cutoff?
Ele move a linha, e a linha ainda fica meses atrasada no dia do lançamento: o GPT-5 foi lançado dez meses após seu corte, o Claude 3.7 Sonnet quatro meses depois. Todo modelo depois envelhece em uso. Busca ou envio de documentos é a solução para a desatualização; um modelo mais novo é a solução para capacidade.
