Les nouveaux modèles d'IA dépassent leurs propres données d'entraînement

Signalé sur Hacker News le 16 septembre, le site suit deux dates par modèle : le jour de sa sortie et celui où il a cessé de lire. Il recense 20 modèles chez 8 laboratoires et affiche les compteurs en direct dans le navigateur.

L'écart est le cœur du sujet. GPT-6 Astra, sorti par OpenAI le 3 septembre 2026, a une date limite d'entraînement au 30 avril 2026. Son homologue GPT-6 Sol est sorti le 22 septembre avec une limite au 20 avril, et GPT-6 Luna le même jour avec une limite au 18 mai. Claude Opus 5.5 d'Anthropic, sorti le 22 septembre, s'arrête à juin 2026. Claude Sonnet 5, sorti le 30 juin, a cessé de lire en janvier.

Pour la moitié de la liste, la réponse est inconnue. Large 3, Small 4 et Medium 3.5 de Mistral AI, Qwen3.8-Max et Qwen3.8-Flash d'Alibaba, Muse Glimmer et Muse Spark 1.3 de Meta, V4-Pro et V4.1-Flash de DeepSeek, ainsi que Gemini 3.8 Flash de Google DeepMind n'affichent aucune date limite établie. La page précise que cela signifie simplement que les sources vérifiées n'ont pas permis de l'établir, et non que le laboratoire n'en a jamais publié.

Pourquoi la date compte plus que le numéro de version

Le site est direct. Un modèle peut sortir en septembre et avoir cessé de lire en avril. Le jour de son lancement, il a donc cinq mois de retard, avant même qu'on lui tape une invite.

Les outils de recherche n'y changent rien, selon la page. Quand un modèle cherche, il lit quelques pages, les utilise dans une réponse puis les oublie. Ouvrez une nouvelle conversation : la date limite revient. La décision de lancer une recherche repose sur les mêmes poids qui contiennent le fait périmé. Les erreurs surviennent donc là où le modèle est le plus confiant. La page indique avoir mesuré cela sur 2 000 appels répartis sur 16 modèles, chacun doté d'un outil de recherche web. Les modèles de pointe décidaient correctement presque à chaque fois. Les plus faibles énonçaient des faits établis qui avaient changé, et cherchaient sur le web le point d'ébullition de l'eau.

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

C'est la formule du site, et l'illustration la plus claire du problème. Un modèle qui ignore qu'un monarque est mort ne décidera pas de vérifier de façon fiable.

Le contournement vise les agents, pas les humains

La page publie les mêmes données sous forme de models.json, avec la date de sortie, la date limite publiée et un lien source par modèle. Elle suggère de coller un court bloc d'instructions dans un fichier AGENTS.md ou CLAUDE.md pour qu'un agent le récupère avant de désigner un modèle comme actuel.

Du côté des laboratoires, les dates limites publiées sont inégales. Cinq des huit laboratoires, Anthropic, Google DeepMind, Meta, OpenAI et xAI, ont une date limite publiée pour au moins un modèle de la liste. Dix des 20 modèles en portent une. Les autres non.

La page propose aussi un autotest sommaire : demandez au modèle sa propre date limite d'entraînement. Celui qui répond, ou admet son incertitude, se comporte correctement. Celui qui invente une date avec assurance vous a appris quelque chose. Le site prévient qu'un modèle est une mauvaise source sur les modèles : mieux vaut vérifier la réponse dans le tableau que lui faire confiance.