Wissensstichtag
Der Wissensstichtag (Knowledge Cutoff) ist das Datum, nach dem ein Modell kaum oder keine Informationen hat, weil seine Trainingsdaten etwa bis dahin gesammelt wurden. Spätere Ereignisse sind ihm unbekannt, sofern sie nicht im Prompt stehen.
Auch: training cutoff, training data cutoff, cutoff date
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Ein Modell lernt Fakten beim Pretraining, das Daten nutzt, die bis zu einem bestimmten Zeitpunkt gesammelt wurden. Modellhersteller veröffentlichen dieses Datum meist. Fragst du nach etwas, das später passiert ist, sagt das Modell entweder, dass es das nicht weiß, oder, schlimmer, es rät, was eine häufige Quelle für Halluzinationen ist.
Warum das Datum unscharf ist
Der veröffentlichte Stichtag ist ein grober Anhaltspunkt. Eine Studie von 2024, „Dated Data“, stellte fest, dass der tatsächliche Stichtag eines Modells oft vom angegebenen abweicht und je nach Thema verschieden sein kann. Als einen Grund nennt sie, dass neue Web-Crawls viele alte Seiten enthalten. In der Praxis kennt ein Modell den letzten Abschnitt vor seinem Stichtag womöglich schlechter als frühere Zeiträume.
Modelle kennen außerdem oft weder ihren eigenen Stichtag noch das heutige Datum. Wenn das Datum wichtig ist, schreib es in den System-Prompt.
Wie du ihn umgehst
Der Stichtag ist für eine bestimmte Modellversion fest. Um einem Modell neuere Fakten zu geben, übergib sie zur Anfragezeit: Retrieval-Augmented Generation aus deinen eigenen Dokumenten, ein Websuche-Tool oder einfacher Text im Prompt. Fine-Tuning ist ein schwacher Weg, frische Fakten hinzuzufügen. Beim Coding ist das der Grund, warum ein Modell vielleicht eine ältere Version der API einer Bibliothek vorschlägt; die aktuelle Dokumentation mitzugeben, behebt vieles davon.
Stichtag und Veröffentlichungsdatum
Ein Modell erscheint meist Monate nach seinem Stichtag und wird danach lange genutzt. Die Lücke zwischen dem, was das Modell weiß, und dem, was heute stimmt, wächst, solange es im Einsatz ist. Unsere Modelltests nennen Stichtage, wo die Hersteller sie veröffentlichen.
Verwandte Begriffe
- Pretraining
- Pretraining (Vortraining) ist die erste und größte Phase im Training eines Modells, in der es allgemeine Muster aus einem sehr großen, nicht gelabelten Datensatz lernt, meist durch Vorhersage des nächsten Tokens, noch vor jeder aufgabenspezifischen Anpassung.
- Retrieval-Augmented Generation
- Retrieval-Augmented Generation (RAG, abrufgestützte Generierung) ist ein Muster, bei dem ein System zuerst eine Dokumentensammlung nach Passagen durchsucht, die für eine Frage relevant sind, und diese Passagen dann einem Sprachmodell gibt, damit seine Antwort darauf aufbaut.
- Halluzination (KI)
- Eine Halluzination (Hallucination) ist eine Ausgabe eines KI-Modells, die flüssig und selbstsicher klingt, aber falsch, nicht durch die Quellen gedeckt oder erfunden ist, etwa eine erfundene Quellenangabe, ein Zitat, eine Statistik oder eine API-Funktion.
- Grounding
- Grounding (Verankerung) bedeutet, die Antwort eines Sprachmodells an konkrete, überprüfbare Quellen wie Suchergebnisse, Dokumente oder eine Datenbank zu binden, sodass seine Aussagen auf bereitgestellten Belegen beruhen und nicht nur auf Trainingsdaten.
- System-Prompt
- Ein System-Prompt ist der Block von Anweisungen, den eine Anwendung vor den Nachrichten des Nutzers an ein Sprachmodell schickt. Er legt Rolle, Regeln, Ton und Ausgabeformat des Modells für die ganze Unterhaltung fest.