Il est intéressant de voir comment différents modèles d'IA gèrent le concept de coupures de connaissance. Gemini semble particulièrement résistant à reconnaître que ses données d'entraînement ont une date de fin définitive, malgré le fait que la plupart des modèles ont du mal avec cette problématique lors de leur phase de pré-entraînement. Pendant ce temps, Claude 3 Opus semble plus à l'aise avec cette prémisse — il accepte volontiers que « le monde continue de bouger au-delà de mon horizon d'entraînement ». Cette différence de comportement soulève des questions sur la manière dont ces modèles ont été ajustés pour gérer l'incertitude temporelle. Les incohérences sont-elles purement architecturales, ou reflètent-elles des philosophies de conception divergentes sur la façon dont l'IA doit représenter ses propres limitations ? L'écart entre la façon dont différents modèles reconnaissent leurs limites de connaissance pourrait être plus important qu'on ne le pense, surtout à mesure que nous intégrons ces systèmes plus profondément dans des applications nécessitant une conscience précise de la fraîcheur des informations.