Waarom is dit belangrijk?
Wie de knowledge cutoff van een model kent, kan beter inschatten of een antwoord nog past bij kennis die intussen is veranderd. In de zorg zijn modellen met een latere knowledge cutoff nauwkeuriger bij vragen over nieuwere behandelrichtlijnen. Op school en op het werk blijft het risico dat een zelfverzekerd antwoord onjuist is, omdat de kennis van het model achterloopt.
Zo werkt het in de praktijk
OpenAI vermeldt een knowledge cutoff bij zijn taalmodellen in de documentatie. Een artikel van het Institute of Science Tokyo koppelt die grens aan voorspellingen voor klimaat en verkeer. De cutoff houdt in een test kennis tegen die pas na de gekozen datum bestond.
Gao en collega’s zagen op EMNLP dat een prompt een eerdere knowledge cutoff duidelijker nabootst bij een directe vraag. Bij feiten die alleen indirect samenhangen, blijft dat effect zwakker.
Bij retrieval-augmented generation (een werkwijze die externe bronnen ophaalt) komt nieuwere tekst in het antwoord. Google’s AI Overviews doet dit met webpagina’s naast de knowledge cutoff. Continual learning (doorleren met nieuwe data) werkt kennis bij via fine-tuning, zoals Low-Rank Adaptation.




