지식 컷오프
지식 컷오프(knowledge cutoff)는 그 이후로 모델이 정보를 거의 또는 전혀 갖지 않는 날짜입니다. 학습 데이터가 대략 그 무렵까지 수집되었기 때문입니다. 그 이후의 사건은 프롬프트에 주지 않는 한 모델이 알지 못합니다.
다른 이름: training cutoff, training data cutoff, cutoff date
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
모델은 어느 시점까지 모은 데이터로 하는 사전 학습 중에 사실을 배웁니다. 모델 제작사는 보통 그 날짜를 공개합니다. 그 뒤에 일어난 일을 물으면 모델은 모른다고 말하거나, 더 나쁘게는 추측하며, 이는 환각의 흔한 원인입니다.
날짜가 모호한 이유
공개된 컷오프는 대략적인 안내입니다. 2024년 연구 "Dated Data"는 모델의 실제 컷오프가 밝힌 날짜와 다른 경우가 많고, 주제마다 다를 수 있음을 발견했습니다. 연구가 드는 이유 하나는 새로운 웹 크롤링에도 오래된 페이지가 많이 들어 있다는 것입니다. 실제로 모델은 컷오프 직전 기간을 그 이전 기간보다 덜 잘 알 수 있습니다.
모델은 자신의 컷오프나 오늘 날짜를 모르는 경우도 많습니다. 날짜가 중요하다면 시스템 프롬프트에 넣으십시오.
우회하는 방법
컷오프는 모델 버전마다 고정되어 있습니다. 모델에게 더 새로운 사실을 주려면 요청 시점에 넣으십시오. 자신의 문서를 이용한 검색 증강 생성, 웹 검색 도구, 또는 프롬프트에 붙여 넣은 텍스트입니다. 미세 조정은 새로운 사실을 더하기에는 약한 방법입니다. 코딩에서 모델이 라이브러리 API의 예전 버전을 제안하는 이유도 이것이며, 최신 문서를 주면 상당 부분 해결됩니다.
컷오 프와 출시일
모델은 보통 컷오프로부터 몇 달 뒤에 출시되고, 그 뒤로도 오랫동안 쓰입니다. 모델이 아는 것과 오늘의 사실 사이의 간격은 쓰이는 동안 계속 벌어집니다. 이 사이트의 모델 리뷰에는 제작사가 공개한 경우 컷오프가 나와 있습니다.
관련 용어
- 사전 학습(Pretraining)
- 사전 학습(pretraining)은 모델 학습의 첫 단계이자 가장 큰 단계로, 작업별 튜닝에 앞서 레이블이 없는 매우 큰 데이터셋에서 보통 다음 토큰을 예측하는 방식으로 일반적인 패턴을 익힙니다.
- 검색 증강 생성(Retrieval-augmented generation)
- 검색 증강 생성(retrieval-augmented generation, RAG)은 시스템이 먼저 문서 모음에서 질문과 관련된 구절을 검색한 뒤, 그 구절을 언어 모델에 주어 답변이 이를 바탕으로 하게 하는 패턴입니다.
- 환각(AI)
- 환각(hallucination)은 AI 모델의 출력이 유창하고 자신감 있게 들리지만 거짓이 거나, 출처의 뒷받침이 없거나, 지어낸 것인 경우를 말합니다. 꾸며 낸 인용, 발언, 통계, API 함수 등이 그 예입니다.
- 그라운딩
- 그라운딩(grounding)은 언어 모델의 답을 검색 결과, 문서, 데이터베이스 같은 구체적이고 확인 가능한 출처에 묶어, 그 주장이 학습 데이터만이 아니라 제공된 근거에 기반하게 하는 것입니다.
- 시스템 프롬프트(System prompt)
- 시스템 프롬프트(system prompt)는 애플리케이션이 사용자 메시지보다 먼저 언어 모델에 보내는 지시 블록입니다. 대화 전체에 걸쳐 모델의 역할, 규칙, 어조, 출력 형식을 정합니다.