Nytt verktøy teller gapet mellom lansering og treningsgrense for 20 KI-modeller

Verktøyet på stale.jock.pl setter opp to datoer per modell: da laben sendte modellen ut, og da den sluttet å lese. Siden dekker 20 aktuelle modeller fra åtte lab-er, og to tellere løper oppover fra hver dato, slik at tallene holder seg riktige uten at noen redigerer dem. Dataene ligger også som models.json, så du kan trekke dem rett inn i egne verktøy. Det ble lagt ut som Show HN på Hacker News 16. september.

Poenget er avstanden mellom de to datoene. En modell kan lanseres i september og likevel ha sluttet å lese i april, og da er den fem måneder bak på dagen den slippes, før en eneste bruker har skrevet noe inn i den. Lanseringsdatoen er den overskriftene rapporterer. Treningsgrensen er den som avgjør hva modellen faktisk vet.

Utslagene er store. Gemini 3.1 Pro kom 19. februar 2026 med kunnskap som stopper i januar 2025, altså rundt 13 måneder bak fra start. I den andre enden ligger Claude Opus 5, lansert 24. juli 2026 med grense i mai 2026. GPT-6 Astra kom 3. september 2026 og stopper 30. april 2026.

Den andre halvdelen av saken er at halvparten av tallene ikke finnes. Bare 10 av 20 modeller har en treningsgrense laben faktisk publiserer, og 5 av 8 lab-er har oppgitt grensen for minst én modell: Anthropic, Google DeepMind, Meta, OpenAI og xAI. Samtlige modeller fra Mistral, Alibaba og DeepSeek på siden står uten. Forfatteren er tydelig på at en blank rute betyr at de sjekkede leverandørkildene ikke etablerte en grense, ikke at laben aldri har publisert en.

For deg som bygger er den vanligste innvendingen at nettsøk løser problemet. Siden avviser det direkte: når en modell søker på nettet lærer den ingenting. Den leser noen sider, bruker dem i det ene svaret og glemmer. Åpner du en ny samtale, er det april igjen. Søkeverktøy dekker over gapet, men lukker det aldri. Det er en presis beskrivelse av hva RAG og verktøybruk gjør i en agent: de gir kontekst i én kjøring, ikke oppdatert kunnskap i modellen.

Konsekvensen er praktisk. Bygger du noe som skal kjenne et bibliotek, et API eller en prisliste som endret seg i år, er treningsgrensen den harde grensen, ikke lanseringsdatoen i annonseringen.

Hva bør du gjøre?

1. Slå opp treningsgrensen for modellen du kjører i produksjon, og regn ut gapet mot i dag. Er det over et halvt år, må du anta at alt om rammeverk og API-er etter den datoen må komme fra kontekst.
2. Spør modellen direkte: «hva er treningsgrensen din?» En modell som oppgir en selvsikker dato uten grunnlag har akkurat fortalt deg noe nyttig om seg selv. Sjekk svaret mot siden, for en modell er en dårlig kilde om modeller.
3. Legger du inn flere modeller i samme system, hent models.json og logg gapet ved siden av modellnavnet. Da ser du i egne logger hvilken rute som svarte på gammel kunnskap.