Menarik bagaimana berbagai model AI menangani konsep batas pengetahuan. Gemini tampaknya sangat resistensi untuk mengakui bahwa data pelatihannya memiliki titik akhir yang pasti, meskipun sebagian besar model kesulitan dengan masalah yang sama selama fase pra-pelatihan mereka. Sementara itu, Claude 3 Opus tampaknya lebih nyaman dengan premis tersebut—dia dengan mudah menerima bahwa 'dunia terus bergerak melampaui cakrawala pelatihan saya.' Perbedaan perilaku ini menimbulkan pertanyaan tentang bagaimana model-model ini disesuaikan untuk menangani ketidakpastian temporal. Apakah ketidakkonsistenan ini murni bersifat arsitektural, atau mencerminkan filosofi desain yang berbeda tentang bagaimana AI harus merepresentasikan keterbatasannya sendiri? Kesenjangan antara bagaimana model yang berbeda mengakui batas pengetahuannya bisa lebih penting dari yang kita kira, terutama saat kita mengintegrasikan sistem ini lebih dalam ke dalam aplikasi yang membutuhkan kesadaran diri yang akurat tentang keaktualan informasi.