Knowledge cutoff 是什麼:為什麼 AI 不知道最新發生的事

「ChatGPT，川普現在的關稅政策是什麼？」

它可能答得頭頭是道——然後你發現它講的是 2024 年的版本。或更糟，它直接編一個聽起來合理但不存在的政策。

這就是 knowledge cutoff 帶來的問題。

Knowledge cutoff(知識截止日期)是 LLM 訓練資料的最後日期。模型對該日期之後發生的事「不知道」——但它常常不會主動說「我不知道」，而是用 cutoff 之前的舊資訊回答，或乾脆 hallucinate 一個合理答案。

理解 cutoff 是用 LLM 的基本素養。不懂的話，你會把過時資訊當最新事實。

為什麼有 cutoff

LLM 的訓練流程大致是：

1. 蒐集訓練資料(網路、書籍、論文、code 等)——有個截止日期
2. 預訓練(pretraining)——幾週到幾月
3. Fine-tuning + RLHF + safety eval——幾月
4. 部署到 API / 產品——幾週

從「資料蒐集截止」到「使用者真的用到模型」，中間至少 6-12 個月。

意味著：任何 LLM 一上線就已經過時 6-12 個月。這不是 bug，是訓練流程的物理限制。

2026 主流模型 cutoff

(以官方為準，會持續更新。)

模型	Knowledge cutoff
GPT-5	2024 中 - 2025 初(看 sub-version)
Claude Opus 4 / Sonnet 4	約 2025 中
Gemini 2.5 Pro	2024 末 - 2025 初
Llama 4 系列	2024 中 - 末
DeepSeek R1 / V3	2024 末

注意：同一家公司的不同模型 cutoff 可能不同(Anthropic Sonnet 跟 Opus 可能差幾個月)。同一模型的不同版本(GPT-5-mini vs GPT-5)也可能有差異。

問模型本身「你的 cutoff 是哪天」也不一定準——它對自己的訓練細節通常不清楚。看官方 documentation 才靠譜。

Cutoff 帶來的具體問題

過時事實。 「川普的關稅是多少」「最新的 Apple iPhone 型號」「OpenAI 最新模型」——cutoff 之後的事，模型可能用 cutoff 之前的版本答。

事實混淆。 模型可能把 cutoff 之前的不同時段事實混在一起。「2024 年發生的事」答出來像是 2023 年的版本。

Hallucination 增加。 對 cutoff 之後的事問，模型沒資料但會繼續生成 plausible 答案。詳見 Hallucination。

默認的「我不知道」訓練不夠。多數模型在 RLHF 階段沒被特別訓練「對 cutoff 之後的問題說我不確定」，所以它常常自信地答錯。

緩解方法

第一，啟用 web search / browsing。 ChatGPT search、Claude with web、Gemini AI Overview 都支援這個。模型先去搜最新資料，再基於搜尋結果回答。

第二，用 RAG 餵自家最新資料。 如果你問的是公司內部最新狀態，RAG 是必須(見 RAG)。Cutoff 跟 RAG 是兩個獨立軸線——cutoff 解決的是「世界事實」，RAG 解決的是「你的資料」。

第三，在 prompt 裡明確標日期。 「以下資訊是 2026 年 4 月的真實狀況：[paste 資料]。請基於這個回答。」這個 prompt pattern 能讓模型知道「眼前的資料比訓練記憶新」。

第四，設計 fallback。 Production 系統碰到「最新事件」類問題，要主動 escalate 到 web search 或人工。不要直接用模型 cutoff 之前的記憶答。

使用者該注意什麼

第一，別問模型「最新」這類問題，除非你有 web search。 「2026 最新的 AI 工具」「上週川普說了什麼」——這類問題模型答出來的東西多半是過時 + 編造的混合。

第二，假設答案需要驗證。 高 stakes 的事(法律、醫療、財務、政策)永遠要 cross-check 至少一個權威來源。

第三，看模型有沒有「web」標誌。 ChatGPT 在 web search 模式下會顯示來源連結。Claude 在 web 模式下會。沒看到 source link 的回答，就是模型憑記憶答的——可能是 cutoff 之前的版本。

第四，新事件問題，直接用 Perplexity / Gemini AI Overview。 這些工具設計上就是 web-first，比直接問 ChatGPT「最新…」可靠。

對 builder 的判斷

第一，production AI 系統永遠要規劃 cutoff strategy。 純依靠模型訓練記憶的系統會持續 degradation——同樣的 prompt，過 1 年後的回答品質明顯下降(因為世界變了，模型沒變)。

第二，RAG 不是 nice-to-have，是 must-have。 任何「需要時效性」的 use case(客服、新聞、政策、產品文件)都需要 RAG。Cutoff 太硬，只靠模型不可行。

第三，設計 graceful unknown。 系統應該能標 “this requires current information” 然後自動觸發 web search 或人工 fallback。讓模型「假裝知道」是事故起點。

第四，定期 re-evaluate model 升級。 新模型 cutoff 通常更新。如果你的應用對時效性敏感，model 廠商一更新就應該評估升級。

收尾

LLM 不是 oracle。它是「有訓練 cutoff 的統計引擎」。

用對它的方法是：對「現在發生」的事用 web search、對「公司資料」用 RAG、對「定義 / 概念 / 邏輯」用模型本身。

下一篇 chronicle:Quantization 是什麼 — 為什麼 70B 模型能在 MacBook 上跑、4-bit / 8-bit 跟原版差多少。

周詠晴（編輯：廖玄同），《Knowledge cutoff 是什麼:為什麼 AI 不知道最新發生的事》，矽基前沿 [Si]gnals，2026-04-25。https://signals.tw/articles/what-is-knowledge-cutoff/