面白いのは、異なるAIモデルが知識のカットオフの概念をどのように扱うかという点です。Geminiは、そのトレーニングデータに明確な終了点があることを認めることに特に抵抗を示しているようですが、ほとんどのモデルが事前学習段階でこの正確な問題に苦労しているにもかかわらずです。一方、Claude 3 Opusはその前提に対してより快適に感じているようで、「世界は私のトレーニングの地平線を超えて動き続けている」とすぐに受け入れています。この行動の違いは、これらのモデルが時間的な不確実性にどのように対応するよう微調整されたのかについて疑問を投げかけます。これらの不一致は純粋にアーキテクチャの違いなのか、それともAIが自らの制限をどのように表現すべきかについての異なる設計思想を反映しているのか？異なるモデルが自らの知識の境界をどのように認識しているかのギャップは、特にこれらのシステムを情報の新しさについて正確な自己認識を必要とするアプリケーションに深く統合していく中で、私たちが思っている以上に重要になる可能性があります。