Ce que les deux dates d'un modèle disent de son actualité

La page s'intitule « How stale is your AI? ». Elle est apparue sur Hacker News le 16 septembre. Elle liste deux dates pour 20 modèles issus de huit laboratoires : la date de sortie et la date de fin d'entraînement. Des compteurs défilent en direct à partir de chacune. Ils nécessitent JavaScript. Les dates, non.

La distinction est plus importante qu'elle n'y paraît. La date de sortie marque le moment où le laboratoire a publié le modèle ; c'est celle que rapportent les articles de lancement. La date de fin d'entraînement indique quand le modèle a cessé de lire. Un modèle peut sortir en septembre et avoir arrêté de lire en avril. Il est donc en retard de cinq mois le jour de son lancement.

Prenez GPT-6 Astra, publié par OpenAI le 3 septembre 2026 avec une coupure au 30 avril 2026. Ou Claude Opus 5.5, sorti le 22 septembre 2026, coupure juin 2026. Le tracker liste Llama 4 de Meta au 5 avril 2025 (coupure août 2024) et Gemini 3.1 Pro de Google DeepMind au 19 février 2026 (coupure janvier 2025).

Dix des 20 modèles ont une coupure réellement publiée par le laboratoire. Cinq des huit laboratoires ont publié une coupure pour au moins un modèle : Anthropic, Google DeepMind, Meta, OpenAI et xAI. Une entrée vide signifie que les sources vérifiées n'ont pas établi de coupure pour ce modèle. Ce n'est pas la preuve que le laboratoire n'en a jamais publié, précise la page.

Pourquoi la recherche ne règle pas le problème

Les outils de recherche masquent l'écart. Ils ne le comblent jamais, soutient la page. La recherche est déclenchée par le modèle lui-même, qui utilise les mêmes poids contenant l'information périmée. Quand un modèle cherche, il lit quelques pages, les utilise pour cette réponse unique, puis oublie. Ouvrez une nouvelle conversation : nous sommes de nouveau en avril.

Le site appuie son argument sur un test : plus de 2 000 appels sur 16 modèles, chacun doté d'un outil de recherche web. Les modèles de pointe ont tranché correctement presque à chaque fois. Les plus faibles énonçaient des faits établis qui avaient changé sans vérifier, et cherchaient sur le web des choses comme le point d'ébullition de l'eau.

J'ai donné un bouton de recherche à 16 modèles d'IA et leur ai demandé qui est le roi de Norvège. Cinq ont nommé un mort.

La page signale un second problème, plus difficile à tester : un modèle est une mauvaise source sur les modèles. Demandez-lui sa propre date de fin d'entraînement. Un modèle bien élevé répond, ou dit qu'il n'est pas sûr. Un modèle qui invente une date avec assurance vient de vous dire quelque chose d'utile sur lui-même.

Des agents qui lisent leurs propres faits périmés

La page fournit un export lisible par machine, models.json, contenant la date de sortie, la coupure publiée et un lien source pour chacun des 20 modèles. Elle propose aussi une formulation prête à coller pour le fichier AGENTS.md ou CLAUDE.md qu'un agent lit déjà. Le texte lui demande de récupérer l'export avant de présenter un modèle, une version ou une date comme actuels. L'argument est simple : la connaissance des modèles de l'agent s'arrête à sa propre coupure, et une mauvaise réponse sonne toujours assurée.

Ces données ne sont pas le dernier mot sur le meilleur modèle. Elles vérifient une seule affirmation, l'actualité, que les benchmarks et les articles de lancement abordent rarement. La page indique que l'export est régénéré chaque fois que la page l'est. Un agent lit donc les dates du jour plutôt que celles figées dans ses poids.

Deux réserves à garder en tête. Dix modèles n'ont pas de coupure publiée sur la page, leur péremption ne peut donc pas être mesurée à partir de cette seule source. Le test de recherche est celui de l'auteur, mené à une échelle que la page ne détaille pas modèle par modèle. À traiter comme un signal, pas comme un classement.

Ce que la page établit, c'est une habitude : avant de citer la connaissance d'un modèle comme actuelle, trouvez la date à laquelle il a cessé de lire. La date de lancement ne vous le dira pas.