Date limite des connaissances
La date limite des connaissances (knowledge cutoff) est la date après laquelle un modèle ne dispose que de peu ou pas d'informations, parce que ses données d'entraînement ont été collectées jusqu'à cette période environ. Les événements postérieurs lui sont inconnus, sauf s'ils sont fournis dans le prompt.
Aussi appelé : training cutoff, training data cutoff, cutoff date
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Un modèle apprend des faits pendant le pré-entraînement, qui utilise des données collectées jusqu'à un certain moment. Les créateurs de modèles publient généralement cette date. Interrogez-le sur un événement postérieur et le modèle dira qu'il ne sait pas ou, pire, devinera, ce qui est une source fréquente d'hallucinations.
Pourquoi la date est floue
La date limite publiée est une indication approximative. Une étude de 2024, « Dated Data », a constaté que la date limite effective d'un modèle diffère souvent de celle annoncée, et peut varier selon le sujet. L'une des raisons avancées est que les nouvelles collectes du web contiennent beaucoup de pages anciennes. En pratique, un modèle peut moins bien connaître la dernière période avant sa date limite que les périodes antérieures.
Les modèles ignorent aussi souvent leur propre date limite ou la date du jour. Si la date compte, indiquez-la dans le prompt système.
La contourner
La date limite est fixe pour une version donnée d'un modèle. Pour donner à un modèle des faits plus récents, transmettez-les au moment de la requête : génération augmentée par récupération à partir de vos propres documents, outil de recherche web ou simple texte collé dans le prompt. Le fine-tuning est un mauvais moyen d'ajouter des faits récents. En programmation, c'est pourquoi un modèle peut suggérer une ancienne version de l'API d'une bibliothèque ; lui fournir la documentation actuelle règle une grande partie du problème.
Date limite ou date de sortie
Un modèle sort généralement des mois après sa date limite, puis il est utilisé longtemps. L'écart entre ce que sait le modèle et la réalité du moment ne cesse de grandir tant qu'il est utilisé. Nos tests de modèles indiquent les dates limites quand les créateurs les publient.
Termes liés
- Préentraînement
- Le préentraînement (pretraining) est la première et la plus importante étape de l'entraînement d'un modèle, au cours de laquelle il apprend des schémas généraux à partir d'un très grand jeu de données non étiquetées, généralement en prédisant le token suivant, avant tout ajustement propre à une tâche.
- Génération augmentée par récupération
- La génération augmentée par récupération (retrieval-augmented generation, RAG) est un schéma dans lequel un système cherche d'abord dans une collection de documents les passages pertinents pour une question, puis fournit ces passages à un modèle de langage pour que sa réponse s'appuie dessus.
- Hallucination (IA)
- Une hallucination est une sortie d'un modèle d'IA qui paraît fluide et assurée mais qui est fausse, non étayée par ses sources ou inventée, comme une référence, une citation, une statistique ou une fonction d'API imaginaires.
- Grounding
- Le grounding (ancrage) consiste à rattacher la réponse d'un modèle de langage à des sources précises et vérifiables, comme des résultats de recherche, des documents ou une base de données, afin que ses affirmations reposent sur des éléments fournis plutôt que sur ses seules données d'entraînement.
- Prompt système
- Un prompt système (system prompt) est le bloc d'instructions qu'une application envoie à un modèle de langage avant les messages de l'utilisateur. Il fixe le rôle, les règles, le ton et le format de sortie du modèle pour toute la conversation.