Дата среза знаний LLM: почему модель не знает свежих фактов
Основы3 минРедакция Innovialabs
Коротко
Модель знает мир только до даты, на которой закончились её обучающие данные, и не чувствует, что её знания устарели; чтобы она отвечала актуально, свежие данные нужно передавать ей в момент запроса — через поиск, RAG или прямо в промпте.
Короткий ответ
Дата среза знаний (knowledge cutoff) — момент, на котором закончились данные для обучения языковой модели. Всё, что произошло позже, модель не знает: новые законы, цены, версии библиотек, изменения в вашей компании.
Проблема в том, что модель не замечает границу своих знаний. Она отвечает так же уверенно о событиях пятилетней давности, как и о «текущем» положении дел, которое на самом деле давно изменилось.
Решение — не ждать новой модели, а передавать свежие данные в момент запроса: через веб-поиск, RAG или прямо в тексте промпта.
Почему модель уверенно ошибается
- Модель предсказывает текст, а не проверяет факты. Она выдаёт наиболее вероятный ответ на основе обучающих данных. Если там курс валюты, тариф или статус закона был другим, она назовёт старое значение.
- У модели нет часов. Без подсказки она не знает сегодняшнюю дату и может считать «текущим» год своего обучения.
- Свежие события представлены слабо. О последних месяцах перед срезом в интернете ещё мало текстов, поэтому даже эти знания бывают неполными.
- Срез не всегда точный. Указанная разработчиком дата — ориентир. Разные темы могут быть покрыты до разных моментов.
Где это особенно опасно: цены и тарифы, законодательство и налоги, версии API и библиотек, курсы валют, кадровые изменения, новости рынка.
Три способа дать модели свежие данные
| Способ | Как работает | Когда подходит |
|---|---|---|
| Данные в промпте | Вы вставляете нужную информацию прямо в запрос | Небольшой объём, известно, что именно нужно |
| Веб-поиск | Модель вызывает инструмент поиска, читает найденные страницы и отвечает по ним | Публичные новости, справочные факты, широкие вопросы |
| RAG | Система ищет релевантные фрагменты в ваших документах или базе и подставляет их в контекст | Внутренние данные компании, регламенты, каталоги, история заказов |
Данные в промпте
Самый простой способ. Сюда же относится текущая дата — её стоит передавать в системный промпт всегда.
Сегодня: 2026-10-19.
Актуальный прайс-лист:
- Тариф «Старт» — см. таблицу ниже
...
Отвечай только на основе этих данных. Если ответа в них нет — так и скажи.
Ограничение — размер контекстного окна и стоимость: чем больше текста, тем дороже запрос.
Веб-поиск
Многие модели умеют вызывать поиск как инструмент. Важно, чтобы ответ ссылался на источники, а вы могли их проверить. Минусы: качество зависит от найденных страниц, а содержимое сайтов может быть ошибочным или содержать скрытые инструкции для модели.
RAG
Retrieval-Augmented Generation — модель отвечает по документам, которые система находит в вашей базе знаний. Обновили документ — ответ сразу актуален, переобучать модель не нужно. Это стандартный путь для корпоративных ассистентов и чат-ботов поддержки.
Почему не дообучение
Fine-tuning меняет стиль и поведение модели, но плохо подходит для фактов, которые часто меняются. Каждое обновление требует нового цикла обучения, а модель всё равно может смешивать старые и новые данные. Для актуальности почти всегда лучше RAG или поиск.
Практический чек-лист
- Передавайте текущую дату в системный промпт.
- Для изменчивых данных (цены, остатки, статусы) берите их из API или базы в момент запроса.
- Просите модель отвечать только по переданным данным и честно говорить «не знаю».
- Требуйте ссылки на источники в ответах с поиском и RAG.
- Регулярно проверяйте ответы на вопросах, где правильный ответ недавно изменился.