Knowledge Cutoff

O limite de conhecimento é a data que marca a fronteira declarada das informações incluídas nos dados de treinamento de um modelo de IA. Ele descreve o quão atuais são os conhecimentos aprendidos pelo modelo. Para um modelo de linguagem de grande porte (LLM), os fatos aprendidos durante o treinamento são codificados nos parâmetros do modelo; informações mais recentes podem chegar à resposta por meio de documentos, pesquisas ou outras ferramentas fornecidas durante o uso.

Como funciona o limite de conhecimento#

Durante o pré-treinamento, um modelo aprende padrões a partir dos dados de treinamento, incluindo relações entre palavras, conceitos e afirmações factuais. Essas informações ficam distribuídas nos pesos do modelo, os parâmetros numéricos ajustados durante o aprendizado. Quando o treinamento termina, a inferência comum usa esses parâmetros para gerar respostas. O acesso a informações publicadas posteriormente depende de entradas adicionais ou de treinamentos subsequentes.

Um limite declarado resume uma coleção de treinamento que contém fontes de diferentes épocas. Uma página da Web coletada recentemente pode conter informações de anos atrás, e diferentes assuntos podem ter níveis de cobertura distintos. O limite efetivo descreve a fronteira temporal demonstrada para um tópico ou uma fonte específica. Jeffrey Cheng e colegas formalizaram essa distinção em 2024: os limites efetivos variam entre recursos, em parte porque as coleções da Web contêm material mais antigo e a remoção de duplicatas altera quais versões são mantidas.

Por que a atualidade do conhecimento é importante#

Um limite é mais importante ao responder a perguntas sobre fatos que mudam. Um modelo que responde com base no conhecimento aprendido pode reproduzir um fato desatualizado depois que as informações subjacentes mudam. Em um chatbot, uma formulação fluente e uma confiança aparentemente alta podem fazer essa resposta desatualizada parecer confiável. Uma alucinação é uma resposta falsa ou sem respaldo; o conhecimento desatualizado é uma das fontes de erros factuais.

Vários conceitos relacionados descrevem diferentes aspectos da atualidade:

• Janela de contexto: A quantidade de entrada que um modelo pode processar em uma solicitação. Os documentos incluídos nela podem conter informações publicadas após o treinamento.
• Ajuste fino: Treinamento adicional que atualiza os pesos do modelo usando exemplos selecionados.
• Proveniência dos dados: A origem e o histórico das informações, incluindo a fonte e as datas de coleta. A proveniência ajuda a distinguir quando o material foi coletado de quando seu conteúdo foi escrito.

A cobertura do treinamento também afeta a visão computacional. O Ultralytics YOLO oferece suporte ao ajuste fino do YOLO26 em conjuntos de dados personalizados, atualizando um detector pré-treinado para reconhecer classes representadas nas novas imagens.

Como os modelos usam informações após o limite de conhecimento#

A geração aumentada por recuperação (RAG) fornece informações externas relevantes no momento da consulta. Um recuperador seleciona trechos de uma coleção de conhecimento, e o gerador usa esses trechos junto com a pergunta. Isso permite a fundamentação: conectar uma resposta a evidências identificáveis. A resposta se baseia tanto nos parâmetros aprendidos quanto no contexto fornecido, enquanto o modelo subjacente mantém seu limite de conhecimento de treinamento.

A pesquisa na Web cumpre uma função semelhante para manter atualizadas as informações públicas. A pesquisa do ChatGPT recupera resultados da Web e os usa para gerar respostas com links para as fontes. A recuperação de arquivos dá acesso a materiais enviados ou conectados, disponibilizando documentos internos atuais para a geração de texto. Esses mecanismos atualizam as evidências disponíveis durante uma solicitação.

Essa distinção é importante na assistência baseada em documentos: a atualidade de uma resposta depende do conteúdo e da data de revisão do documento recuperado, bem como do histórico de treinamento do modelo. Uma coleção de conhecimento atualizada recentemente dá ao sistema acesso a fatos mais novos; para gerar respostas precisas, também é preciso selecionar e interpretar os trechos relevantes.

Datas de limite de conhecimento no ChatGPT e no Gemini#

O ChatGPT e o Gemini usam modelos com limites de conhecimento documentados. A data aplicável corresponde ao modelo ou à versão específica subjacente, portanto, identificar o modelo é parte de identificar seu limite. Um cartão do modelo ou uma especificação oficial do modelo fornece os metadados relevantes. A OpenAI publica informações sobre os limites por modelo, e o Google as lista junto às propriedades dos modelos Gemini.

Por exemplo, o Gemini 2.5 Pro tem limite de conhecimento em janeiro de 2025, enquanto a especificação do modelo indica junho de 2025 como a data da atualização mais recente. Essas datas descrevem propriedades distintas: a fronteira das informações aprendidas e o histórico de atualização do modelo.

Um identificador de versão também identifica uma versão do modelo separadamente de seu limite de conhecimento. A especificação do modelo GPT-5 lista a versão gpt-5-2025-08-07 com limite de conhecimento em 30 de setembro de 2024.