La data di rilascio non è il cutoff di addestramento: quanto sono già datati 20 modelli AI

La pagina su stale.jock.pl mostra due date per ogni modello: il giorno in cui il laboratorio lo ha rilasciato e quello in cui ha smesso di leggere. Entrambi i contatori avanzano in tempo reale. È la seconda data a determinare ciò che il modello sa davvero.

Pensiamo a GPT-6 Astra, rilasciato da OpenAI il 3 settembre 2026. I suoi dati di addestramento si fermano al 30 aprile 2026. Al lancio, il modello era già in ritardo di quattro mesi su tutto ciò che era accaduto dopo quella data. Il ritardo crescerà, perché i pesi non cambiano quando cambia il mondo. Il tracker elenca lo stesso schema per altri modelli: Llama 4 di Meta è uscito il 5 aprile 2025 con cutoff ad agosto 2024, Claude Sonnet 5 di Anthropic il 30 giugno 2026 con cutoff a gennaio 2026, GPT-6 Sol il 22 settembre 2026 con cutoff al 20 aprile 2026. Ogni nome rimanda al documento del laboratorio da cui proviene la data, come indicato dal sito.

Metà della lista è vuota.

Dieci dei 20 modelli riportano un cutoff pubblicato. Gli altri dieci, tra cui Mistral Large 3, Qwen3.8-Max, DeepSeek V4-Pro e Muse Glimmer, non ne mostrano uno perché le fonti dei fornitori controllate non lo specificano, afferma la pagina. Non è la prova che un laboratorio non ne abbia mai pubblicato uno. È la prova che il tracker non è riuscito a trovarlo. Per chi confronta i modelli in base all'attualità, è un fatto diverso e più scomodo.

La ricerca non colma il divario

L'obiezione ovvia è che i modelli cercano ora sul web, quindi il cutoff conta meno. L'autore del tracker la respinge. La ricerca legge poche pagine per una risposta e poi le dimentica, sostiene la pagina. Una nuova chat riparte quindi da aprile. Peggio ancora, la ricerca va attivata dal modello stesso, usando gli stessi pesi che contengono il fatto obsoleto. Gli errori capitano così proprio dove il modello sembra più sicuro. La pagina cita un test di oltre 2.000 chiamate su 16 modelli, dotati di uno strumento di ricerca web. I modelli di frontiera hanno agito correttamente quasi sempre. Quelli più deboli hanno affermato fatti cambiati senza verificare, cercando sul web cose come il punto di ebollizione dell'acqua. In un caso, cinque modelli hanno indicato un uomo morto come re di Norvegia.

C'è un punto metodologico scomodo nascosto qui. Un modello a cui si chiede il proprio cutoff di addestramento è un testimone inaffidabile, dice la pagina. Se ne inventa uno con sicurezza, rivela qualcosa di utile su se stesso. Il controllo consigliato è esterno.

Il tracker distribuisce gli stessi dati in models.json, con data di rilascio, cutoff pubblicato e link alla fonte per ogni modello. Suggerisce di incollare qualche riga nell'AGENTS.md o nel CLAUDE.md di un agente, così che recuperi il file prima di indicare un modello o una versione come attuale. Il file viene rigenerato insieme alla pagina, quindi l'agente legge le date di oggi, non quelle incorporate nei pesi. La lista di 20 modelli copre 8 laboratori. Cinque di questi hanno un cutoff pubblicato per almeno un modello: Anthropic, Google DeepMind, Meta, OpenAI e xAI.

Per chi segue i benchmark, la conseguenza pratica è semplice. Una classifica che confronta modelli usciti a settimane di distanza confronta anche modelli addestrati a mesi di distanza. Il delta non è nel punteggio.