Knowledge Cutoff

Bilgi kesim tarihi, bir yapay zekâ modelinin eğitim verilerine dâhil edilen bilgilerin belirtilen sınırını gösteren tarihtir. Modelin öğrendiği bilgilerin ne kadar güncel olduğunu ifade eder. Bir büyük dil modeli (LLM) için eğitim sırasında öğrenilen olgular modelin parametrelerinde kodlanır; daha yeni bilgiler ise kullanım sırasında sağlanan belgeler, arama veya diğer araçlar aracılığıyla yanıta dâhil edilebilir.

Bilgi Kesim Tarihi Nasıl Çalışır#

Ön eğitim sırasında model, eğitim verilerindeki örüntüleri; sözcükler, kavramlar ve olgusal ifadeler arasındaki ilişkiler dâhil olmak üzere öğrenir. Bu bilgiler, öğrenme sırasında ayarlanan sayısal parametreler olan model ağırlıklarına dağılır. Eğitim tamamlandığında, olağan çıkarım yanıtlar üretmek için bu parametreleri kullanır. Sonrasında yayımlanan bilgilere erişim ek girdiler veya daha sonraki eğitim yoluyla sağlanır.

Bildirilen kesim tarihi, farklı yaşlardaki kaynakları içeren bir eğitim koleksiyonunu özetler. Yakın zamanda toplanmış bir web sayfası yıllar öncesine ait bilgiler içerebilir ve farklı konuların kapsama düzeyleri farklı olabilir. Etkin kesim tarihi, belirli bir konu veya kaynak için ortaya konan zamansal sınırı ifade eder. Jeffrey Cheng ve çalışma arkadaşları bu ayrımı 2024'te biçimselleştirdi: etkin kesim tarihleri kaynaklara göre değişir; bunun bir nedeni, web koleksiyonlarının eski materyaller içermesi ve yinelenen verilerin ayıklanmasının hangi sürümlerin kalacağını değiştirmesidir.

Bilgi Güncelliği Neden Önemlidir#

Değişen olgularla ilgili soru yanıtlama söz konusu olduğunda kesim tarihi en çok önem taşır. Öğrendiği bilgilere dayanarak yanıt veren model, temelindeki bilgi değiştikten sonra eski bir bilgiyi yineleyebilir. Bir sohbet robotunda, akıcı anlatım ve yüksek görünen güven, güncelliğini yitirmiş yanıtın güvenilir görünmesine yol açabilir. Halüsinasyon, yanlış veya dayanağı olmayan çıktıdır; güncelliğini yitirmiş bilgi de olgusal hataların kaynaklarından biridir.

Güncelliğin farklı yönlerini tanımlayan birkaç ilgili kavram vardır:

• Bağlam penceresi: Bir modelin tek bir istekte işleyebileceği girdi miktarıdır. Bu pencerenin içindeki belgeler, eğitimden sonra yayımlanan bilgileri içerebilir.
• İnce ayar: Seçilmiş örnekleri kullanarak model ağırlıklarını güncelleyen ek eğitimdir.
• Veri kökeni: Kaynağı ve toplanma tarihleri dâhil olmak üzere bilgilerin nereden geldiği ve geçmişidir. Veri kökeni, materyalin ne zaman toplandığıyla içeriğinin ne zaman yazıldığını ayırt etmeye yardımcı olur.

Eğitim kapsamı bilgisayarlı görü alanını da etkiler. Ultralytics YOLO, yeni görüntülerde temsil edilen sınıfları tanıması için önceden eğitilmiş bir algılayıcıyı güncelleyerek YOLO26'yı özel veri kümelerinde ince ayarlamayı destekler.

Modeller Kesim Tarihlerinden Sonra Bilgileri Nasıl Kullanır?#

Getirim destekli üretim (RAG), sorgu sırasında ilgili harici bilgileri sağlar. Bir getirici, bilgi koleksiyonundan bölümler seçer; üretici de bu bölümleri soruyla birlikte kullanır. Bu yöntem, bir yanıtı belirlenebilir kanıtlara bağlamak anlamına gelen temellendirmeyi destekler. Yanıt hem öğrenilmiş parametrelerden hem de sağlanan bağlamdan yararlanırken, temel model eğitim kesim tarihini korur.

Web araması, herkese açık bilgiler için benzer bir güncellik işlevi görür. ChatGPT arama, web sonuçlarını getirir ve bunları kaynak bağlantıları içeren yanıtlar üretmek için kullanır. Dosya getirme, yüklenen veya bağlanan materyallere erişim sağlayarak güncel dahili belgeleri metin üretimi için kullanılabilir hâle getirir. Bu mekanizmalar, bir istek sırasında kullanılabilen kanıtları günceller.

Bu ayrım, belge tabanlı yardımda önemlidir: Bir yanıtın güncelliği, modelin eğitim geçmişinin yanı sıra getirilen belgenin içeriğine ve revizyon tarihine de bağlıdır. Yakın zamanda güncellenmiş bir bilgi koleksiyonu, sistemin daha yeni olgulara erişmesini sağlar; doğru üretim için ayrıca ilgili bölümlerin seçilmesi ve yorumlanması gerekir.

ChatGPT ve Gemini'de Bilgi Kesim Tarihleri#

ChatGPT ve Gemini, belgelenmiş bilgi kesim tarihleri olan modeller kullanır. Geçerli tarih, kullanılan belirli temel modele veya anlık görüntüye aittir; dolayısıyla modeli belirlemek, kesim tarihini belirlemenin de bir parçasıdır. Model kartı veya resmî model spesifikasyonu ilgili üst verileri sağlar. OpenAI, kesim tarihlerini modellere göre yayımlar; Google ise bu tarihleri Gemini model özellikleriyle birlikte listeler.

Örneğin, Gemini 2.5 Pro için bilgi kesim tarihi Ocak 2025'tir; model spesifikasyonunda en son güncelleme tarihi Haziran 2025 olarak listelenir. Bu tarihler ayrı özellikleri tanımlar: öğrenilmiş bilgilerin sınırını ve modelin güncelleme geçmişini.

Bir anlık görüntü tanımlayıcısı da model sürümünü bilgi sınırından ayrı olarak belirtir. GPT-5 model spesifikasyonunda gpt-5-2025-08-07 anlık görüntüsünün bilgi kesim tarihi 30 Eylül 2024 olarak listelenir.