Neue KI-Modelle überholen ihre eigenen Trainingsdaten

Die Seite erschien am 16. September auf Hacker News. Sie listet zwei Daten pro Modell: den Tag der Veröffentlichung durch das Labor und den Tag, an dem das Modell aufhörte, neue Daten zu verarbeiten. Insgesamt sind 20 Modelle aus 8 Labors gelistet. Die Seite zählt die Tage seit diesen Daten live im Browser hoch.

Die Lücke ist das eigentliche Thema. GPT-6 Astra, von OpenAI am 3. September 2026 veröffentlicht, hat einen Cutoff vom 30. April 2026. Das Schwestermodell GPT-6 Sol kam am 22. September mit einem Cutoff vom 20. April heraus. GPT-6 Luna erschien am selben Tag mit einem Cutoff vom 18. Mai. Claude Opus 5.5 von Anthropic, veröffentlicht am 22. September, endet im Juni 2026. Claude Sonnet 5, erschienen am 30. Juni, hörte im Januar auf zu lesen.

Für die Hälfte der Liste ist die Antwort schlicht unbekannt. Mistral AIs Large 3, Small 4 und Medium 3.5, Alibabas Qwen3.8-Max und Qwen3.8-Flash, Metas Muse Glimmer und Muse Spark 1.3, DeepSeeks V4-Pro und V4.1-Flash sowie Google DeepMinds Gemini 3.8 Flash zeigen keinen gesicherten Cutoff. Die Seite ist hier vorsichtig: Eine Leerstelle bedeutet, dass die geprüften Herstellerquellen keinen Cutoff belegen konnten. Es ist kein Beweis dafür, dass das Labor nie einen veröffentlicht hat.

Warum das Datum mehr zählt als die Versionsnummer

Die Seite formuliert es direkt. Ein Modell kann im September erscheinen und trotzdem im April aufhören zu lesen. Damit liegt es am Starttag fünf Monate zurück, bevor jemand einen Prompt eingibt.

Suchwerkzeuge lösen das nicht, so die Seite. Wenn ein Modell sucht, liest es ein paar Seiten, nutzt sie in einer Antwort und vergisst sie. Öffnet man einen neuen Chat, ist der Cutoff wieder da. Auch die Entscheidung, ob gesucht wird, läuft auf denselben Gewichten, die den veralteten Fakt enthalten. Fehler landen also dort, wo das Modell am sichersten ist. Die Seite hat dies über 2.000 Aufrufe bei 16 Modellen gemessen, die jeweils ein Web-Suchwerkzeug hatten: Spitzenmodelle entschieden fast jedes Mal richtig, schwächere nannten geklärte Fakten, die sich geändert hatten, und suchten im Web nach dem Siedepunkt von Wasser.

Ich gab 16 KI-Modellen einen Suchknopf und fragte, wer der König von Norwegen ist. Fünf nannten einen Toten.

Das ist die eigene Formulierung der Seite und zeigt das Problem am klarsten. Ein Modell, das nicht weiß, dass ein Monarch gestorben ist, wird nicht zuverlässig beschließen, nachzusehen.

Der Workaround zielt auf Agenten, nicht auf Menschen

Die Seite veröffentlicht dieselben Daten als models.json, mit Veröffentlichungsdatum, veröffentlichtem Cutoff und einem Quellenlink pro Modell. Sie schlägt vor, einen kurzen Anweisungsblock in eine AGENTS.md- oder CLAUDE.md-Datei einzufügen, damit ein Agent ihn abruft, bevor er ein Modell als aktuell bezeichnet.

Auf der Laborseite sind die veröffentlichten Cutoffs uneinheitlich. Fünf der acht Labors, Anthropic, Google DeepMind, Meta, OpenAI und xAI, haben einen veröffentlichten Cutoff für mindestens ein Modell in der Liste. Zehn der 20 Modelle tragen einen. Der Rest nicht.

Die Seite bietet außerdem einen groben Selbsttest: Man fragt das Modell nach seinem eigenen Trainings-Cutoff. Eines, das antwortet oder Unsicherheit einräumt, verhält sich richtig. Eines, das ein sicheres Datum erfindet, hat einem etwas verraten. Die Warnung der Seite lautet, dass ein Modell eine schlechte Quelle zu Modellen ist. Man solle die Antwort an der Tabelle prüfen, statt ihr zu vertrauen.