Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Fecha de corte de conocimiento

La fecha de corte de conocimiento (knowledge cutoff) es la fecha a partir de la cual un modelo tiene poca o ninguna información, porque sus datos de entrenamiento se recopilaron hasta más o menos entonces. Los hechos posteriores le son desconocidos salvo que se le den en el prompt.

También llamado: training cutoff, training data cutoff, cutoff date

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

Un modelo aprende datos durante el preentrenamiento, que usa información recopilada hasta un momento dado. Los fabricantes de modelos suelen publicar esa fecha. Pregunta por algo que ocurrió después y el modelo dirá que no lo sabe o, peor, adivinará, lo que es una fuente habitual de alucinaciones.

Por qué la fecha es difusa

La fecha de corte publicada es una guía aproximada. Un estudio de 2024, "Dated Data", comprobó que la fecha de corte efectiva de un modelo a menudo difiere de la declarada, y puede variar según el tema. Una razón que da es que los rastreos web nuevos contienen muchas páginas antiguas. En la práctica, un modelo puede conocer peor el último tramo antes de su fecha de corte que los periodos anteriores.

Los modelos tampoco suelen conocer su propia fecha de corte ni la fecha de hoy. Si la fecha importa, ponla en el system prompt.

Cómo sortearla

La fecha de corte es fija para cada versión de un modelo. Para dar a un modelo datos más recientes, pásaselos en el momento de la petición: generación aumentada por recuperación desde tus propios documentos, una herramienta de búsqueda web o texto pegado sin más en el prompt. El fine-tuning es una forma débil de añadir datos nuevos. En programación, por eso un modelo puede sugerir una versión antigua de la API de una biblioteca; darle la documentación actual corrige buena parte de eso.

Fecha de corte frente a fecha de lanzamiento

Un modelo suele publicarse meses después de su fecha de corte, y después se usa durante mucho tiempo. La distancia entre lo que sabe el modelo y lo que es cierto hoy no deja de crecer mientras se siga usando. Nuestros análisis de modelos indican las fechas de corte cuando los fabricantes las publican.

Términos relacionados

Preentrenamiento
El preentrenamiento (pretraining) es la primera y mayor etapa del entrenamiento de un modelo, en la que aprende patrones generales de un conjunto de datos muy grande y sin etiquetar, normalmente prediciendo el siguiente token, antes de cualquier ajuste para una tarea concreta.
Generación aumentada por recuperación
La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
Alucinación (IA)
Una alucinación es una salida de un modelo de IA que suena fluida y segura, pero que es falsa, no está respaldada por sus fuentes o es inventada, como una cita bibliográfica, una frase, una estadística o una función de API que no existen.
Grounding
El grounding (anclaje en fuentes) consiste en vincular la respuesta de un modelo de lenguaje a fuentes concretas y comprobables, como resultados de búsqueda, documentos o una base de datos, para que sus afirmaciones se apoyen en pruebas aportadas y no solo en los datos de entrenamiento.
System prompt
El system prompt (prompt del sistema) es el bloque de instrucciones que una aplicación envía a un modelo de lenguaje antes de los mensajes del usuario. Fija el rol, las reglas, el tono y el formato de salida del modelo para toda la conversación.

Fuentes