Tracker temps réel : quel est l'âge de vos modèles IA et leurs données d'entraînement ?
En bref
- Un outil public suivi en direct affiche la date de sortie et le cutoff d'entraînement pour 20 modèles IA majeurs (GPT-6, Claude, Gemini, etc.).
- Sur ces 20 modèles, seulement 10 ont un cutoff d'entraînement publié par leur éditeur ; 10 autres restent non documentés.
- Le projet met en avant un problème récurrent : les modèles faibles ignorent que leurs données sont périmées et refusent d'utiliser les outils de recherche web, tandis que les modèles frontaux le font correctement.
- Les tests menés (2000+ appels sur 16 modèles) montrent que certains modèles cherchent le web pour répondre à des questions basiques (point d'ébullition de l'eau) au lieu de se fier à leurs poids.
Ce que dit la source
L'auteur constate que le cutoff d'entraînement demeure un problème structurel des LLM, même avec l'accès à la recherche web. Le point clé : quand un modèle a accès à un outil de recherche, c'est le poids du modèle lui-même (gelé à la date de cutoff) qui décide s'il l'utilisera. Un modèle faible ne sait donc pas qu'il ne sait pas, et répond avec confiance sur des faits qui ont changé. Ce n'est pas une limite du web search ; c'est une limite du jugement du modèle. L'auteur propose que les agents IA et les modèles puissent lire en temps réel un fichier models.json centralisant ces dates, afin de corriger eux-mêmes leurs réponses avant de citer un modèle ou une version.
- Sur 8 laboratoires représentés, seuls 5 publient un cutoff d'entraînement (Anthropic, Google DeepMind, Meta, OpenAI, xAI) ; 10 sur 20 modèles ont un cutoff documenté, 10 restent vides.
- Écart release/cutoff : GPT-6 Astra lancé le 3 septembre 2026 a un cutoff d'avril 2026, soit 5 mois d'inactivité déjà à la sortie ; Claude Fable 5.1 lancée le 1er septembre a un cutoff de juin, gap de 3 mois.
- L'expérience web search (2000+ appels) révèle une hétérogénéité nette : modèles frontaux décident à bon escient de chercher ; modèles plus faibles refusent de chercher sur des informations qui ont changé et affirment des « faits établis » périmés.
- Même modèles avantagés cherchent le web pour des trivialités (boiling point of water), signe que la limite du cutoff brouille le jugement du modèle sur ce qui vraiment change et ce qui ne change pas.
- L'auteur propose aux développeurs d'agents d'intégrer un fetch du fichier models.json dans les instructions de leurs agents, afin que l'IA vérifie les dates des modèles mentionnés plutôt que d'inventer de la confiance sur des chiffres gelés.
Dans les commentaires
Débat partagé, avec peu de consensus. Plusieurs commentateurs signalent que le problème s'est atténué grâce à la recherche web et au tool use récents. D'autres objectent que la limitation ne concerne que certains cas d'usage (coding, tâches spécialisées) et reste surtout une question de calibrage du modèle plutôt qu'un frein majeur. Quelques voices minoritaires soulignent des incidents concrets (models inventant des dates, refusant des réalités polémiques), mais sans créer une tendance unifiée.
- Plusieurs commentateurs estiment que le problème s'est résorbé en pratique : avec web search, tool use et les « frontier models » capables de raisonner, le cutoff d'entraînement ne crée plus de friction observable au quotidien (mois écoulés depuis la dernière rencontre du problème rapportée).
- Un segment du fil conteste la pertinence selon le cas d'usage : pour du coding, le cutoff importe peu parce que les LLM comprennent les nouvelles versions via tool calls et contexte, même sans données explicitement entraînées ; seul l'impératif de toujours demander web search pour les événements récents émerge comme attentisme.
- Quelques exemples factuels troublent ce consensus optimiste, modèle Qwen-3.8 faussement marquant 2025 sur un footer de copyright, ChatGPT annonçant Biden encore président après son départ, mais sans preuve que ces dysfonctionnements persistent sur les versions actuelles.
- Un appel indirect à débattre : faut-il redéfinir ce que signifie « intelligence » d'une IA qui ne peut pas apprendre et mettre à jour ses propres faits, biais implicite du fil.
Notre lecture
Le tracker remplit un rôle de documentation utile face au silence ou la confusion des éditeurs (10/20 sans cutoff publié reste remarquable). Sur le fond : le cutoff d'entraînement reste un problème réel quand la décision de chercher le web repose sur les poids eux-mêmes. Ce que les commentaires apportent est juste : les modèles frontaux gèrent mieux cette tension que par le passé. Pour un développeur, la leçon n'est pas « le cutoff n'existe plus », mais « le cutoff existe, mais son impact dépend fort du modèle et du domaine ». Intégrer les dates dans les instructions des agents (comme l'auteur le propose) est pragmatique pour les équipes développant des systèmes sensibles aux faits. Hors de ce périmètre, c'est intéressant à surveiller plutôt qu'une action immédiate.