Ngày ra mắt và mốc dữ liệu huấn luyện: Hai con số quyết định độ "cũ" của một mô hình AI

Khi đánh giá một mô hình AI, hầu hết người dùng chỉ nhìn vào ngày phát hành được truyền thông đưa tin. Nhưng có một con số ít được chú ý hơn lại quyết định mô hình thực sự hiểu biết đến đâu: mốc cắt dữ liệu huấn luyện (training cutoff). Một dự án mới trên Hacker News đã tổng hợp cả hai mốc thời gian này cho 20 mô hình AI hiện hành thuộc 8 phòng thí nghiệm khác nhau.

Hai mốc thời gian, hai ý nghĩa hoàn toàn khác nhau

Ngày phát hành (release date) là thời điểm phòng thí nghiệm đưa mô hình ra thị trường, cũng là con số xuất hiện trên các tiêu đề báo chí.

Mốc cắt dữ liệu huấn luyện là thời điểm mô hình ngừng "đọc" dữ liệu. Mọi sự kiện xảy ra sau mốc này đơn giản là không tồn tại trong vốn hiểu biết của mô hình.

Một mô hình có thể ra mắt vào tháng 9 nhưng lại ngừng đọc dữ liệu từ tháng 4 — nghĩa là ngay ngày đầu trình làng, nó đã tụt hậu 5 tháng.

Khoảng cách giữa hai mốc này chính là mức độ "lỗi thời" sẵn có của mô hình ngay từ ngày ra mắt, trước cả khi người dùng gõ câu hỏi đầu tiên.

Chỉ 9 trong 20 mô hình công bố mốc cắt dữ liệu

Theo dữ liệu kiểm tra, 4 trong 8 phòng thí nghiệm có công bố mốc cắt dữ liệu cho ít nhất một mô hình, gồm Anthropic, Google DeepMind, Meta và OpenAI. Trên tổng số 20 mô hình, chỉ 9 mô hình đi kèm mốc cắt được công bố chính thức.

Cần lưu ý: ô trống trong bảng dữ liệu nghĩa là các nguồn kiểm tra chưa xác định được mốc cắt cho mô hình đó, không đồng nghĩa với việc phòng thí nghiệm chưa từng công bố.

Tìm kiếm web không lấp đầy khoảng trống đó

Nhiều người dùng cho rằng khả năng tìm kiếm web giúp mô hình "cập nhật" kiến thức. Thực tế không phải vậy.

Khi mô hình tìm kiếm web, nó chỉ đọc một vài trang, dùng thông tin đó cho một câu trả lời duy nhất rồi quên đi. Mở một cuộc trò chuyện mới, mô hình lại trở về đúng mốc cắt cũ. Công cụ tìm kiếm chỉ che lấp khoảng trống, chứ không bao giờ lấp đầy nó.

Cách tự kiểm tra mô hình bạn đang dùng

Một mẹo đơn giản: hỏi trực tiếp mô hình "mốc cắt dữ liệu huấn luyện của bạn là ngày nào?"

• Một mô hình "tử tế" sẽ trả lời, hoặc nói rằng nó không chắc chắn.
• Một mô hình bịa ra một ngày cụ thể đầy tự tin vừa tiết lộ điều hữu ích về chính nó.

Tuy nhiên, đừng tin câu trả lời ngay. Hãy đối chiếu với bảng dữ liệu độc lập, bởi mô hình AI là nguồn thông tin kém tin cậy về chính các mô hình AI.

Ý nghĩa với người dùng Việt Nam

Với người dùng và doanh nghiệp Việt Nam đang cân nhắc tích hợp AI vào sản phẩm, hai mốc thời gian này ảnh hưởng trực tiếp đến chất lượng đầu ra. Một mô hình có mốc cắt cũ sẽ không biết về các quy định pháp luật mới, biến động thị trường gần đây, hay các sự kiện công nghệ vừa xảy ra — dù nó vẫn trả lời trôi chảy và tự tin như thường.

Trước khi chọn mô hình cho một tác vụ đòi hỏi kiến thức thời sự, hãy kiểm tra mốc cắt dữ liệu thay vì chỉ nhìn ngày phát hành. Đó là cách phân biệt giữa một mô hình "mới ra mắt" và một mô hình thực sự "hiểu biết đến hiện tại".

Dữ liệu đầy đủ của dự án được công bố dưới dạng tệp models.json, cho phép lập trình viên tích hợp trực tiếp vào công cụ đánh giá nội bộ của mình.